Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #29865

reinforcement learning post-training

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

1

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

FlexFloor: Эластичный параллелизм экспертов для ускорения RL пост‑тренировки больших языковых моделей

Препринт на arXiv (arXiv:2611.06984v1) представляет FlexFloor — систему, которая сокращает простаивание вычислительных рабочих при синхронной генерации ответов в RL-пост‑тренировке больших языковых моделей за счёт адаптивного планирования и поэтапного освобождения рабочих при сохранении доступности экспертов. Авторы сообщают ~65.40% больше токенов на единицу занятого времени и ~52.74% рост пропускной способности по сравнению с verl baseline при незначительных изменениях вознаграждения в роллаутах.

6.0