{"@context":"https://schema.org","@type":"NewsArticle","generatedAt":"2026-07-23T08:01:28.298Z","headline":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","description":"SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","url":"https://www.aioga.com/news/cmrvjn3sn02wkbihb0aon0gmo/","mainEntityOfPage":"https://www.aioga.com/news/cmrvjn3sn02wkbihb0aon0gmo/","datePublished":"2026-07-21T00:00:00.000Z","dateModified":"2026-07-21T00:00:00.000Z","inLanguage":"zh-CN","publisher":{"@type":"NewsMediaOrganization","name":"Aioga","url":"https://www.aioga.com"},"citation":["https://arxiv.org/abs/2607.18722","https://aihot.virxact.com/items/cmrvjn3sn02wkbihb0aon0gmo"],"canonicalUrl":"https://www.aioga.com/news/cmrvjn3sn02wkbihb0aon0gmo/","directAnswer":{"@type":"Answer","text":"Aioga 编辑摘要：SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。 Aioga 将其归入「论文研究」方向，重点关注它对真实使用和行业竞争的影响。","url":"https://www.aioga.com/news/cmrvjn3sn02wkbihb0aon0gmo/","dateCreated":"2026-07-21T00:00:00.000Z","author":{"@type":"Organization","@id":"https://www.aioga.com/authors/aioga-editorial/#editorial-team","name":"Aioga Editorial Team","url":"https://www.aioga.com/authors/aioga-editorial/"}},"evidence":[{"@type":"CreativeWork","name":"arXiv source article","url":"https://arxiv.org/abs/2607.18722","datePublished":"2026-07-21T00:00:00.000Z","provider":{"@type":"Organization","name":"arXiv","url":"https://arxiv.org/abs/2607.18722"}},{"@type":"CreativeWork","name":"AIHot archive record","url":"https://aihot.virxact.com/items/cmrvjn3sn02wkbihb0aon0gmo","datePublished":"2026-07-21T00:00:00.000Z","provider":{"@type":"Organization","name":"AIHot","url":"https://aihot.virxact.com/items/cmrvjn3sn02wkbihb0aon0gmo"}}],"aggregationSource":"HuggingFace Daily Papers（社区热门论文）","originalPublisher":{"name":"arXiv","url":"https://arxiv.org/abs/2607.18722"},"article":{"id":"cmrvjn3sn02wkbihb0aon0gmo","slug":"cmrvjn3sn02wkbihb0aon0gmo","url":"https://www.aioga.com/news/cmrvjn3sn02wkbihb0aon0gmo/","title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","title_en":"Stale but Stable： Staleness-Adaptive Trust Regions for Stabilizing Asynchronous Reinforcement Learning","summary":"SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","source":"HuggingFace Daily Papers（社区热门论文）","sourceUrl":"https://arxiv.org/abs/2607.18722","aiHotUrl":"https://aihot.virxact.com/items/cmrvjn3sn02wkbihb0aon0gmo","publishedAt":"2026-07-21T00:00:00.000Z","category":"论文研究","score":45,"selected":false,"articleBody":["arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.","Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs ：https://info.arxiv.org/labs/index.html."],"articleImages":[{"sourceUrl":"https://arxiv.org/static/base/1.0.1/images/funders/simons-foundation.png","alt":"Simons Foundation","afterParagraph":1,"url":"/media/articles/cmrvjn3sn02wkbihb0aon0gmo/e2d7f38d62f5ca91.png"},{"sourceUrl":"https://arxiv.org/static/base/1.0.1/images/funders/simons-foundation-international.png","alt":"Simons Foundation International","afterParagraph":1,"url":"/media/articles/cmrvjn3sn02wkbihb0aon0gmo/1d56e29c5557cbdc.png"},{"sourceUrl":"https://arxiv.org/static/base/1.0.1/images/funders/schmidt-sciences.png","alt":"Schmidt Sciences","afterParagraph":1,"url":"/media/articles/cmrvjn3sn02wkbihb0aon0gmo/8e18212b8219c104.png"}],"mediaStatus":"ok","articleBodyZh":["arXivLabs 是一个框架，允许合作者直接在我们的网站上开发和分享新的 arXiv 功能。","有一个可以为 arXiv 社区增加价值的项目想法吗？了解更多关于 arXivLabs 的信息：https://info.arxiv.org/labs/index.html。"],"translationStatus":"translated","bodyOrigin":"source-page","editorial":{"summary":"Aioga 编辑摘要：SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。 Aioga 将其归入「论文研究」方向，重点关注它对真实使用和行业竞争的影响。","background":"背景分析：模型与研究类动态需要结合能力边界、开放方式、成本、可用性和真实任务表现判断，单项指标领先不等于已经形成稳定采用。","viewpoint":"Aioga 判断：这条动态更适合作为行业观察信号，当前信息足以建立线索，但不足以推导长期结论。","implications":"影响分析：对相关团队而言，短期应先核对来源、可用范围和实际成本，再判断是否值得接入或跟进。","nextStep":"后续观察：继续观察官方文档、实际可用性、价格变化、开发者反馈和竞品回应。","evidenceRefs":["title","summary","articleBody"],"confidence":"medium","status":"published","aiGenerated":false,"autoApproved":true,"generatedBy":"rule-safe-fallback","generatedAt":"2026-07-23T08:10:16.743Z","sourceHash":"7baa2823b6aaa39d","validation":{"passed":true,"mode":"rule-safe-fallback","checks":["schema","length","source-attribution","no-html"]}},"tags":["论文研究","HuggingFace Daily Papers（社区热门论文）"],"translations":{"zh-CN":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga AI资讯","description":"SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","url":"https://www.aioga.com/news/cmrvjn3sn02wkbihb0aon0gmo/"},"en":{"title":"Stale but Stable： Staleness-Adaptive Trust Regions for Stabilizing Asynchronous Reinforcement Learning","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under Research. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"Research","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Stale but Stable： Staleness-Adaptive Trust Regions for Stabilizing Asynchronous Reinforcement Learning - Aioga AI News","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under Research. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 la...","url":"https://www.aioga.com/en/news/cmrvjn3sn02wkbihb0aon0gmo/"},"ja":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aiogaは「論文研究」の動きとして、HuggingFace Daily Papers（社区热门论文） からの更新を追跡しています。SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"論文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga AIニュース","description":"Aiogaは「論文研究」の動きとして、HuggingFace Daily Papers（社区热门论文） からの更新を追跡しています。SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下...","url":"https://www.aioga.com/ja/news/cmrvjn3sn02wkbihb0aon0gmo/"},"ko":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga는 HuggingFace Daily Papers（社区热门论文）의 업데이트를 연구 흐름으로 추적합니다. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"연구","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga AI 뉴스","description":"Aioga는 HuggingFace Daily Papers（社区热门论文）의 업데이트를 연구 흐름으로 추적합니다. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到...","url":"https://www.aioga.com/ko/news/cmrvjn3sn02wkbihb0aon0gmo/"},"es":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga sigue esta actualización de HuggingFace Daily Papers（社区热门论文） dentro de Investigación. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"Investigación","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga Noticias de IA","description":"Aioga sigue esta actualización de HuggingFace Daily Papers（社区热门论文） dentro de Investigación. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GS...","url":"https://www.aioga.com/es/news/cmrvjn3sn02wkbihb0aon0gmo/"},"fr":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga suit cette mise à jour de HuggingFace Daily Papers（社区热门论文） dans la catégorie Recherche. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"Recherche","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga Actualités IA","description":"Aioga suit cette mise à jour de HuggingFace Daily Papers（社区热门论文） dans la catégorie Recherche. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-...","url":"https://www.aioga.com/fr/news/cmrvjn3sn02wkbihb0aon0gmo/"},"de":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga KI-News","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/de/news/cmrvjn3sn02wkbihb0aon0gmo/"},"pt-BR":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga Notícias de IA","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/pt-BR/news/cmrvjn3sn02wkbihb0aon0gmo/"},"ru":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga Новости ИИ","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/ru/news/cmrvjn3sn02wkbihb0aon0gmo/"},"ar":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga أخبار الذكاء الاصطناعي","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/ar/news/cmrvjn3sn02wkbihb0aon0gmo/"},"hi":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga AI समाचार","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/hi/news/cmrvjn3sn02wkbihb0aon0gmo/"},"it":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga Notizie IA","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/it/news/cmrvjn3sn02wkbihb0aon0gmo/"},"nl":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga AI-nieuws","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/nl/news/cmrvjn3sn02wkbihb0aon0gmo/"},"tr":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga AI Haberleri","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/tr/news/cmrvjn3sn02wkbihb0aon0gmo/"},"vi":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Tin tức AI Aioga","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/vi/news/cmrvjn3sn02wkbihb0aon0gmo/"},"id":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Berita AI Aioga","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/id/news/cmrvjn3sn02wkbihb0aon0gmo/"},"th":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - ข่าว AI Aioga","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/th/news/cmrvjn3sn02wkbihb0aon0gmo/"},"pl":{"title":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习","summary":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1 和 lag 8 下分别达到 AIME24 avg@8 的 35.83 和 34.79，优于基线。","category":"论文研究","source":"arXiv","aggregationSource":"HuggingFace Daily Papers（社区热门论文）","pageTitle":"Staleness-Adaptive Trust Region （SAT） 稳定异步强化学习 - Aioga Wiadomości AI","description":"Aioga tracks this update from HuggingFace Daily Papers（社区热门论文） under 论文研究. SAT 通过解耦采样对数比作为陈旧性代理，并收缩 PPO 区间端点，以稳定异步 RL 中的策略滞后问题。在基于 Qwen3-30B-A3B-Base 的异步设置中，SAT-GSPO w/ R3 在 lag 1...","url":"https://www.aioga.com/pl/news/cmrvjn3sn02wkbihb0aon0gmo/"}}}}