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
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.
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/