实时
Google 在 TPU 上实现逐位一致的稳定强化学习
热点事件观察中
Google 在 TPU 上实现逐位一致的稳定强化学习
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Google 在开源 JAX 库 Tunix 中实现了 Zero-TIM(零训练-推理不匹配)方案,使采样器与训练器在相同权重下,对同一动作和 token 历史给出逐位相同的 logprob,从而在 TPU 强化学习训练中实现真正的 on-policy 稳定性。该方案已在 64 颗 TPU v5p(DP8×TP8)多主机规模上验证。 Google 称,相关 kernel 与集合通信模式可作为可复用蓝图,供团队在分布式 JAX/TPU 栈上实现逐位一致的 on-policy RL。目前该方案仍是 Tunix 中的原型,Google 表示正在扩展对线性注意力和混合专家(MoE)架构的支持。
AI 根据报道生成 · 更新于 9 小时前
最新进展11月16日 08:00
Google 在 TPU 上实现训练与推理逐位一致的稳定 on-policy RL报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- Google Developers Blog精选Google 在 TPU 上实现训练与推理逐位一致的稳定 on-policy RL
Google 在 Tunix 中实现 Zero-TIM,使采样器与训练器在相同权重下对同一 token 给出逐位相同的 logprob,并在 64 颗 TPU v5p(DP8×TP8)多主机规模上验证。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 611月17日 01:00
- 近 24 小时变化
- –
02468
02:0004:0006:0008:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。