Tutorial dan petua

Tencent Hunyuan melancarkan UniRL: infrastruktur pembelajaran pengukuhan multimodal bersatu

Tajuk asal:🚀Introducing UniRL, an RL infra for unified multimodal models. Together with two new RL algorithms:...

Ringkasan AI

Tencent Hunyuan memperkenalkan UniRL, infrastruktur pembelajaran pengukuhan yang menyokong model multimodal bersatu, dan melancarkan dua algoritma baharu DRPO dan Flow-DPPO. UniRL melalui satu gelung latihan pasca tunggal (penjanaan→penilaian→kelebihan→kemas kini→penyelarasan) meliputi model resapan/flow matching, LLM/VLM dan model multimodal bersatu (seperti Hunyuan-Image 3 dan Bagel). Model dan algoritma sebagai paksi bebas membolehkan liputan gabungan model×algoritma. Rangka kerja menyokong enjin rollout boleh pasang (sebelah latihan/SGLang/vLLM-Omni), pemecahan FSDP2 dan tiga mod penggunaan. FlowDPPO memperkenalkan pengoptimuman dasar domain kepercayaan berdasarkan perbezaan tepat untuk model aliran/resapan; DRPO menyediakan kaedah regularisasi kuadratik pemberat kelebihan yang licin untuk RL LLM. Kod telah disumber terbuka.

Maklumat penting

  • Tencent Hunyuan memperkenalkan UniRL,infrastruktur pembelajaran pengukuhan yang menyokong model…
  • UniRL melalui satu gelung latihan pasca tunggal (penjanaan→penilaian→kelebihan→kemas…
  • Model dan algoritma sebagai paksi bebas membolehkan liputan gabungan model×algoritma.
  • Rangka kerja menyokong enjin rollout boleh pasang (sebelah latihan/SGLang/vLLM-Omni),pemecahan…
  • FlowDPPO memperkenalkan pengoptimuman dasar domain kepercayaan berdasarkan perbezaan tepat untuk…

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
X:腾讯混元 (@TencentHunyuan)
Kategori
Tutorial dan petua
Skor AI
67
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

UniRL把扩散和LLM的强化学习塞进同一个训练循环,外加两个新算法,多模态对齐的研究者可以立刻fork代码试起来。

Entiti Berkaitan

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Tencent Hunyuan melancarkan UniRL: infrastruktur pembelajaran pengukuhan multimodal bersatu. 9 Jun 2026. https://new.nat6.net/ms/news/cmq6kwvh809eesl5irgb0uzf2/

Lihat Semua →