InterQ-RL校正量化智能体执行失配

Yingbo Hao等作者提出InterQ-RL，用于校正量化智能体强化学习中行为策略与学习器之间的执行失配；在论文评测中，W8A8-KV8量化结果与BF16相差不超过0.7个百分点，并在四种环境—骨干组合中的两种超过BF16。 该方法校正到达状态的策略历史，并在固定校正预算下按有效支持度分配动作片段的校正强度，无需额外模型前向计算。作者在4B至30B的稠密和MoE模型上测试了ALFWorld、WebShop与ScienceWorld；论文称其学习速度达到或超过仅做对齐的方法，并避免后期性能回落。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。