长程RL异步训练配方研究发布

Kai Ruan 等人提交论文《Long-Horizon RL Needs Muon》（arXiv:2610.20256），提出一种面向长时程智能体的单 rollout 异步训练配方，把 Muon 优化器、token 平均损失、截断重要性采样以及长度与工具错误辅助惩罚项组合使用，使训练无需等待同一问题的多条轨迹即可异步进行。作者称在两个模型族上评估仓库级问题解决任务，完整配方的训练成功率高于基线。该工作共 7 页、5 图，仍为进行中的研究，上述效果尚未经独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。