一项新的研究论文指出了强化学习(RL)模型训练中一个显著的问题,即使用 bfloat16 舍入会默默地丢弃大部分策略更新。这种训练和推理之间的不匹配,尤其是在常用学习率下,意味着很大一部分权重变化会丢失。研究人员提出了一种名为 Fair Cast 的修复方法,该方法在模型导出时使用无偏舍入方法,如随机舍入或误差反馈。据报道,这一行代码的更改在各种 Qwen3 模型和任务中都能提高性能,且计算开销极小。 AI
影响 这一发现可能通过确保策略更新不被默默丢弃,从而实现更高效、更有效的语言模型训练,尤其是在强化学习场景下。
排序理由 学术论文,详细说明了技术问题并提出了解决方案。
在 Mastodon — mastodon.social 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →