BRACE：异步强化学习中陈旧评论家的锚定贝尔曼残差校正
原文标题：BRACE: Anchored Bellman-Residual Correction for Stale Critics in Asynchronous RL
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
异步 RL 训练大模型时策略滞后会使评论家偏向陈旧行为策略。论文提出 BRACE，将校正视野限制在策略 token 前缀并锚定恒定权重蒙特卡洛尾部，分离策略校正与奖励传播。在 BrowseComp-Plus 上 mean@1 提升 2.4%，每步比同步训练快 2.46 倍，离策略 50 次更新仍稳定。
- 问题
- 异步 RL 训练大模型时策略滞后使评论家偏向陈旧行为策略，现有方法只校正 actor。
- 方法
- BRACE 将校正视野限制在策略 token 前缀，并锚定恒定权重蒙特卡洛尾部，分离策略校正与奖励传播。
- 结果
- BrowseComp-Plus 上 mean@1 提升 2.4%，每步比同步训练快 2.46 倍，离策略 50 次更新仍稳定。
- 影响
- 让异步 RL 在保持稳定性的同时提速，适合长程智能体任务的规模化训练。
深读 · 结论先行AI 生成展开看要点与影响 ↓
BRACE校正异步RL中陈旧评论家，BrowseComp-Plus mean@1涨2.4%，每步快2.46倍
- •问题：异步RL是扩展LLM训练的标准做法，但策略滞后使评论家偏向陈旧行为策略，已有工作只校正actor
- •经典离策略价值校正难迁移到长程agent任务：校正视野短则回归目标不含奖励，长则重要性比率随轨迹长度指数漂移
- •BRACE把校正视野限制在策略token前缀，并在其后锚定恒定权重蒙特卡洛尾部，分离策略校正与奖励传播
- •结果：mean@1较最强基线提升2.4%，每步比同步训练快2.46倍，离策略50次更新仍稳定
为什么重要：做异步RL后训练的团队可直接借鉴：它补上了此前被忽略的评论家偏差，且不牺牲异步带来的吞吐优势。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。