vLLM 官方博客· Ao Shen (Inferact), Jian Hu (NVIDIA Research), Yan Bai (NVIDIA DevTech), Shekhar Pandey (AMD), and the REINFORCE Zero authors·· 16 小时前精选AI 评分60
REINFORCE Zero：通过内核对齐实现稳定异步强化学习
Zero Mismatch, Simple Async RL: REINFORCE Zero, DeepSeek-V4.1 and Kimi K3.1
AI 导读
REINFORCE Zero 是由 NVIDIA Research 和 Inferact 提出的异步强化学习方法，通过对齐 rollout 和训练的计算内核，消除 kernel mismatch，再用无裁剪重要性采样处理权重滞后，实现稳定训练。
推荐理由
论文提出 REINFORCE Zero 方法，通过内核对齐和无裁剪重要性采样实现稳定异步强化学习，可迁移至多个大模型和硬件平台。
来源：vLLM 官方博客 · vllm.ai