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
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.
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/