Nebius、ロールアウト収集時間を66.9%短縮——何が変わったのか

要点

• Nebiusはルーティング、サンドボックス実行、バッチアセンブリの最適化により、256軌跡のバッチ収集時間を66.9%短縮しました。
• スループットだけでなく、トレーニング可能なバッチまでの時間を測定すべきです。同期バッチでは、遅い軌跡がトレーニングGPUをブロックします。
• ポリシーの陳腐化は重要性サンプリング補正、古いサンプルの破棄、発散の追跡によって管理できます。
• 環境構築は新たなデータキュレーションであり、再現性、信頼性の高い検証器、タスク難易度の更新が必要です。