跳转至

Missing Old Logits in Asynchronous Agentic RL

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段 内容
论文链接 Missing Old Logits in Asynchronous Agentic RL（arXiv 2605.12070）
公司 / 机构 Tianjin University / Tsinghua University / Peking University / JD AI Infra
首次公开日期 2026-05-12（arXiv v1）
原作者代码 否：未发现/未发布原作者官方代码仓库
本地 adapter / 方法键 missing-old-logits
本地复现代码 src/auto_research/post_training/

原始论文总结

背景与主要改动

指出异步 RL 丢失历史训练侧 logits 后，训推校正与策略陈旧校正发生语义混叠；给出快照、old-logit model、中断同步和 PPO-EWMA 修复。

flowchart LR
 A["公开输入"] --> B["missing-old-logits 核心机制"]
 B --> C["同预算训练 / 执行"]
 C --> D["公开评测与诊断"]

原论文关键图

Missing Old Logits in Asynchronous Agentic RL 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \rho=\underbrace{\pi_{train}^{old}/\pi_{infer}^{old}}_{train/infer}\underbrace{\pi_\theta/\pi_{train}^{old}}_{staleness}. \]

论文离线与线上效果

论文报告 revised PPO-EWMA 同时提升训练速度和优化效果；无生产 A/B。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

Arithmetic candidate suite、120 steps、seed 42：accuracy 0.2344 → 0.5000（+113.33%）。

auto-research post-train --algorithm missing-old-logits --dataset arithmetic-smoke --maximum-examples 256 --steps 120 --seed 42
auto-research evolve --model post-training --dataset arithmetic-smoke --direction "组合 missing-old-logits 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p1-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新或评测协议；没有复刻原论文大模型、多卡训练、私有环境或完整公开 benchmark，因而只报告机制验证。