Hugging Face · 每日论文：Long-Horizon RL Needs Muon

Hugging Face · 每日论文指出，长时域强化学习需要 Muon 框架来协调推理、工具使用和环境反馈。研究采用单轨迹异步训练方法，结合 Muon、token-averaged loss、截断重要性采样及辅助长度和工具错误惩罚，提升了训练成功率。该方法适用于两个模型家族的仓库级问题解决任务，无需等待多条轨迹即可进行异步学习。