KLPO：面向LLM智能体的KL正则化策略优化
原文标题：On KL-Regularized Policy Optimization
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。
论文提出KL-Regularized Policy Optimization（KLPO），将KL正则项锚定在采样器端，使正则化改进步骤具有闭式Gibbs解，并通过最小二乘拟合对数比最优条件，无需重要性权重。该方法实现无critic更新，每个prompt只需一次rollout，且SPPO、GPO、REBEL、BPO均为其特例。
- 问题
- 异步RL训练中采样器与训练器概率不一致，裁剪有偏、GRPO分组采样代价高。
- 方法
- 把KL正则锚定在采样器端，使改进步骤有闭式Gibbs解，并用最小二乘拟合对数比最优条件，无需重要性权重。
- 结果
- 未给出量化结果
- 影响
- 实现无critic、每prompt一次rollout的更新，且SPPO、GPO、REBEL、BPO均为其特例，可简化长episode智能体训练。
深读 · 结论先行AI 生成展开看要点与影响 ↓
KLPO把KL正则锚定在采样器端，无需critic、每prompt仅一次rollout。
- •针对异步RL中rollout来自旧checkpoint、推理引擎与训练器概率不一致的问题
- •将KL正则项锚定在采样器端，正则化改进步骤有闭式Gibbs解
- •用最小二乘拟合对数比最优条件，采样器概率以对数比进入，无需重要性权重
- •实现无critic更新，每个prompt只需一次rollout，避免GRPO式分组采样
- •SPPO、GPO、REBEL、BPO均被证明为其特例
为什么重要：长episode智能体训练中GRPO式多次采样成本高，KLPO若成立可显著降低rollout开销，对做LLM智能体RL训练的团队有直接吸引力。
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。