Vi har kommet så langt i asynkron RL treningsstabilitet For ikke så lenge siden krasjet naiv grpo bare med Torch Compile på grunn av mismatch. Men nå kan vi gå veldig langt utenfor politikken for å håndtere agentisk RL Mange virkelig viktige detaljer i prime-RL tapberegning, å slå på vår siste stabilitetsforbedring på noen av våre løp gjør en stor forskjell i KL-mismatch

Det meste kommer fra @Grad62304977 Finding Alpha i nyere artikler