长时程RL训练配方论文发布：Muon提升成功率

Kai Ruan 等作者发布论文，提出一种面向长时程智能体的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辅助惩罚项结合。该配方无需等待同一问题的多条轨迹即可异步学习。 作者称，在两个模型族上的仓库级问题解决训练中，完整配方的训练成功率高于基线。论文为 7 页、5 图，作者表示工作仍在进行中。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。