บทแนะนำและเทคนิค

Tencent Hunyuan เปิดตัว UniRL: โครงสร้างพื้นฐานการเรียนรู้แบบเสริมกำลังมัลติโมดัลแบบรวม

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

สรุปโดย AI

Tencent Hunyuan เปิดตัว UniRL โครงสร้างพื้นฐานการเรียนรู้แบบเสริมกำลังที่รองรับโมเดลมัลติโมดัลแบบรวม พร้อมเปิดตัวอัลกอริทึมใหม่สองตัวคือ DRPO และ Flow-DPPO UniRL ครอบคลุมโมเดล diffusion/flow matching, LLM/VLM และโมเดลมัลติโมดัลแบบรวม (เช่น Hunyuan-Image 3 และ Bagel) ผ่านลูปหลังการฝึกอบรมเดียว (สร้าง→ให้คะแนน→ข้อได้เปรียบ→อัปเดต→ซิงค์) โมเดลและอัลกอริทึมเป็นแกนอิสระ สามารถครอบคลุมการรวมกันของโมเดล×อัลกอริทึมได้ เฟรมเวิร์กรองรับเอนจิน rollout แบบเสียบได้ (ฝั่งฝึก/SGLang/vLLM-Omni) การแบ่ง FSDP2 และโหมดการติดตั้งสามแบบ FlowDPPO นำการปรับแต่งนโยบายแบบ trust region ที่อิงความแตกต่างที่แม่นยำสำหรับโมเดล flow/diffusion ส่วน DRPO มอบวิธีการปรับแต่งกำลังสองแบบถ่วงน้ำหนักข้อได้เปรียบที่ราบรื่นสำหรับ LLM RL โค้ดเปิดโอเพนซอร์สแล้ว

สรุปสั้น

เวลาเผยแพร่
เวลาอัปเดต
แหล่งที่มา
X:腾讯混元 (@TencentHunyuan)
หมวดหมู่
บทแนะนำและเทคนิค
คะแนน AI
67
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

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。

เอนทิตีที่เกี่ยวข้อง

แหล่งที่มาและลิขสิทธิ์

บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: Tencent Hunyuan เปิดตัว UniRL: โครงสร้างพื้นฐานการเรียนรู้แบบเสริมกำลังมัลติโมดัลแบบรวม 9 มิถุนายน 2026 https://new.nat6.net/th/news/cmq6kwvh809eesl5irgb0uzf2/

ดูทั้งหมด →