具有可验证奖励的强化学习（ RLVR ）依赖于昂贵的模型生成响应，激励更大的推出批次和平方根学习率扩展。据报道，通过每次推出使用一个优化器步骤，可以大致保持每个样本的进度，但在实际的多步骤培训中，这一规则不太为人所知。我们开发了一个双时钟框架，将制造所需的样品

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2610.18853v1)获取最准确的信息。

---
🔗 **原文链接**: [Two Clocks: Why Larger Rollout Batches Learn Slower but Fail](https://arxiv.org/abs/2610.18853v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Yuante Li, Junwei Quan, Kai Qiu, Kate Zhang, Yicheng Tao

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-14 22:02