研究揭示bf16舍入丢失RL更新并提出Fair Cast

1. 13:00
   arXiv 机器学习

   研究发现 bf16 舍入会丢弃多数 RL 策略更新，提出一行代码修复方案 Fair Cast

   论文揭示了大语言模型强化学习后训练中四舍五入到 bf16 会丢弃绝大多数单步更新，导致生成数据的推理策略滞后优化器 50-150 步。研究团队提出 Fair Cast 方案，通过随机舍入或误差反馈导出无偏副本并在提供服务的副本上计算损失，仅需一行代码且不增加超参数。

Current heat 9·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–

Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.