TRL异步GRPO默认启用两项稳定技术

2026年10月27日，AGI Hunt报道，Hugging Face TRL团队已将score centering与masked importance sampling设为异步GRPO Trainer的默认配置。报道称，该组合在多种staleness与sampler量化设置下明显提升训练稳定性，可开箱即用地缓解异步GRPO的陈旧样本与量化采样不稳定问题，用户无需自行调参。目前尚无更多关于具体版本号或基准数据的细节披露，相关默认配置已随TRL发布生效。

AI 根据报道生成 · 43 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。