Туториалы и советы

Tencent Hunyuan выпустил UniRL: унифицированную инфраструктуру обучения с подкреплением для мультимодальных моделей

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

ИИ-резюме

Tencent Hunyuan представил UniRL — инфраструктуру обучения с подкреплением для унифицированных мультимодальных моделей, а также два новых алгоритма DRPO и Flow-DPPO. UniRL охватывает диффузионные/flow-matching модели, LLM/VLM и унифицированные мультимодальные модели (такие как Hunyuan-Image 3 и Bagel) через единый цикл постобучения (генерация → оценка → преимущество → обновление → синхронизация). Модели и алгоритмы выступают независимыми осями, что позволяет покрывать комбинации «модель × алгоритм». Фреймворк поддерживает подключаемые rollout-движки (сторона обучения/SGLang/vLLM-Omni), шардирование FSDP2 и три режима развёртывания. FlowDPPO вводит для потоковых/диффузионных моделей оптимизацию политики с доверительной областью на основе точной дивергенции; DRPO предлагает для LLM RL метод сглаженной квадратичной регуляризации с взвешиванием преимуществ. Код открыт.

Ключевые моменты

  • Tencent Hunyuan представил UniRL — инфраструктуру обучения с подкреплением для унифицированных…
  • UniRL охватывает диффузионные/flow-matching модели,LLM/VLM и унифицированные мультимодальные…
  • Модели и алгоритмы выступают независимыми осями,что позволяет покрывать комбинации «модель ×…
  • Фреймворк поддерживает подключаемые rollout-движки (сторона…
  • FlowDPPO вводит для потоковых/диффузионных моделей оптимизацию политики с доверительной областью…

Кратко

Опубликовано
Обновлено
Источник
X:腾讯混元 (@TencentHunyuan)
Категория
Туториалы и советы
Оценка ИИ
67
Читать оригинал Читать полную статью в первоисточнике
Почему это важно

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。

Связанные сущности

Источник и авторские права

Статья основана на отобранных заголовках и ИИ-резюме из открытого API AIHOT с указанием источника и обратными ссылками. Авторские права на оригинал принадлежат исходным изданиям и авторам; сайт не воспроизводит полные тексты.

Оригинал статьи · Материал на AIHOT

Как цитировать

При цитировании сохраняйте заголовок, дату и постоянную ссылку, указывая источник: Orange News.

Orange News: Tencent Hunyuan выпустил UniRL: унифицированную инфраструктуру обучения с подкреплением для мультимодальных моделей. 9 июня 2026. https://new.nat6.net/ru/news/cmq6kwvh809eesl5irgb0uzf2/

Смотреть все →