热点事件持续更新
Fireworks 揭示 RL 训练数值错位问题
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
2026 年 10 月 2 日，Fireworks 公布其发现：强化学习训练中存在数值错位，会直接毁掉训练。据其披露的 GLM 5.2 实验，在算法与数据完全相同的情况下，未做对齐时 reward 在 25 步内就崩溃，对齐后则保持稳定。Qwen3.5-MoE 实验进一步显示，expert 输出组合方式的差异会导致结果不一致，即便其中一方使用了更高精度。Fireworks 指出，这类数值错位引发的症状与数据问题、reward 问题或学习率设置不当非常相似，容易被误判为调参或数据缺陷。
AI 根据报道生成 · 1 小时前更新
最新进展10月2日 06:32
Fireworks 称 GLM 5.2 实验中未对齐时 reward 25 步内崩溃，对齐后稳定。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- AGI HuntFireworks 揭示 RL 训练数值错位：同算法同数据 25 步内奖励崩溃或稳定
Fireworks 发现 RL 训练中的数值错位会毁掉训练：GLM 5.2 实验中同算法同数据，未对齐时 reward 在 25 步内崩溃，对齐后保持稳定。Qwen3.5-MoE 实验显示 expert 输出组合方式差异会导致不一致，即使一方用了更高精度，且症状酷似数据、reward 或学习率问题。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。