跳到正文
热点事件持续更新

研究者提出端侧强化学习运行时 RL^RT,截止期错过率低于 1%

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Zexin Li 等研究者在 arXiv 发布论文,提出端侧强化学习运行时 RL^RT。该运行时把共享 GPU 上执行器(actor)与学习器(learner)的耦合变成可调参数:用 refresh bound 限制执行器释放,并用带 slack-aware admission 的 GPU permit 优先保障执行器,把空闲时间用于训练。 论文称,在两块 Jetson 开发板的真实 refresh 开销下,RL^RT 可将 16.8 M 参数策略的截止期错过率保持在 1% 以下。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. arXiv cs.AI
    RL$^{\mathrm{RT}}$:端侧强化学习运行时,将截止期错过率降至 1% 以下

    arXiv 论文提出 RL$^{\mathrm{RT}}$,一个端侧强化学习运行时,把执行器与学习器的耦合变成可调参数:用 refresh bound 限制执行器释放,并用带 slack-aware admission 的 GPU permit 优先执行器、将空闲时间用于训练。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月16日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。