arXiv · cs.AI· Yuante Li, Junwei Quan, Kai Qiu, Kate Zhang, Yicheng Tao·· 8 小时前
RLVR“双时钟”框架分析大批量强化学习的进展变慢与定时失败
Two Clocks: Why Larger Rollout Batches Learn Slower but Fail on Schedule in Reinforcement Learning with Verifiable Rewards
arXiv:2610.18853v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yuante Li, Junwei Quan, Kai Qiu, Kate Zhang, Yicheng Tao
研究任务与主要进展
研究者提出“双时钟”框架，用于分析RLVR多步训练中大批量强化学习为何单位样本进展变慢、却在大致固定样本数后失败。基于论文摘要，该框架预测临界批量之外的样本效率下降；Qwen2.5-Math-1.5B的GRPO实验覆盖16倍批量范围并支持两项预测，相关现象还在另一数据集、通用检查点和7B模型上出现。作者据此提出先使用低于临界批量的设置、再在失败前扩大批量的RLVR日程，代码已发布。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org