Modal讲解生产Agent异步强化学习配方

Modal 的 Jason Mancuso 讲解了面向生产 Agent 团队的稳定异步强化学习方案，并称具备 harness、评测和真实运行轨迹的团队已具备开展 RL 训练的条件。其方案以 GRPO 为基础，结合掩码重要性采样、分数中心化和 top-p 采样；他称，这套方法可使 rollout 成本降低 15%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。