论文推荐| Z.ai提出SAO：单次展开异步优化，稳定训练千步，超越GRPO并已部署于GLM-5.2

在大语言模型后训练中，强化学习正变得愈发关键，但面向长周期智能体任务时，传统同步、批次交替的RL流程效率低下。异步强化学习通过随到随更新的方式提升了效率，然而现有系统多偏重吞吐量，训练稳定性和任务有效性...

Read More