热点事件持续更新
TRL 复现 Modal 混合精度 RL 训练方案
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 16 日，AGI Hunt 报道称，TRL 用 Qwen-1.5B 在 AsyncGRPO 中复现了 Modal 的混合精度 RL 训练方案，即 vLLM FP8 采样器搭配 bf16 训练器。复现结果显示，直接使用 GRPO 时训练在约 150 步后发生崩塌，reward 从 0.56 跌到 0.10；单独加入 ratio caps 或 MIS 都未能避免崩塌。改用 score centering 加 MIS 后，reward 达到 0.72，与使用 bf16 采样器的结果持平。
AI 根据报道生成 · 1 小时前更新
最新进展10月16日 10:19
TRL 复现显示 GRPO 约 150 步崩塌至 0.10，score centering 加 MIS 后回升至 0.72。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- AGI HuntTRL 复现 Modal 混合精度 RL 训练：GRPO 150 步崩塌，SC+MIS 稳到 0.72
TRL 用 Qwen-1.5B 在 AsyncGRPO 中复现 Modal 混合精度 RL 方案：vLLM FP8 采样器配 bf16 训练器。GRPO 约 150 步后崩塌，reward 从 0.56 跌到 0.10，单加 ratio caps 或 MIS 都无效。score centering + MIS 后达 0.72，与 bf16 采样器持平。
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。