Hugging Face 收录长时程 RL 配方论文

Hugging Face Daily Papers 收录了一篇题为《Long-Horizon RL Needs Muon》的论文，研究长时程智能体的强化学习训练。论文提出一套单轨迹异步训练配方，将 Muon 优化器与 token 平均损失、截断重要性采样以及长度和工具错误惩罚结合；单轨迹采样使异步学习无需等待同一问题的多条轨迹。 作者在两个模型家族上考察优化器选择与配方各组件，任务为仓库级问题解决。论文称，评估的训练运行中完整配方的训练成功率高于基线。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。