跳到正文
arXiv · NLP· Jian Hu, Yifan Zhang, Hao Zhang, Binfeng Xu, Shaokun Zhang, Hongqing Peng, Zhiding Yu, Pavlo Molchanov, Jan Kautz, Yi Dong·· 3 天前AI 评分38

FlashREINFORCE:针对智能体语言模型的无评论家单轨迹异步强化学习

FlashREINFORCE: Critic-Free Single-Rollout Asynchronous RL for Agentic Language Models

AI 导读

提出FlashREINFORCE框架,实现无评论家单轨迹异步强化学习,解决长程智能体中的组同步与覆盖问题。 在DeepSeek-R1-Distill-Qwen-1.5B上稳定完成6000次更新,在Qwen2.5-Math-1.5B上以半量rollouts超越GRPO基线1.7个百分点,并成功扩展至Qwen3-30B-A3B模型。

来源:arXiv · NLP · arxiv.org