Folia
← 返回头版

4B参数模型经RL后训练,实时控制性能超越GPT-6 Astra

研究人员构建了一个基于物理模拟器的特斯拉Roadster飞行强化学习环境,旨在测试大语言模型在强风干扰下的实时控制能力 1。该实验模拟了从坡道翻转并飞跃Cybertruck的动作,涉及对四个冷气推进器(每个推力12 kN)的控制 1。结果显示,经过强化学习后训练的4B参数Qwen模型在实时任务中表现优于包括GPT-6 Astra在内的主流大模型 1。

在优化方案上,团队使用SkyRL框架对Qwen3-4B-Instruct进行了LoRA微调及GRPO强化学习训练,总成本约为13美元(耗时4 GPU小时) 1。性能对比数据显示,训练后的4B模型平均响应时间仅为0.09秒,在33 m/s的风速下Kickflip动作成功率达到90% 1。相比之下,拥有无限思考时间的GPT-6 Astra成功率为74%,这意味着小模型在实时场景中的性能高出21个百分点 1。

基准测试揭示了“实时性”是大模型在物理控制任务中的关键瓶颈。在实时模拟环境中,DeepSeek V4.1 Flash、Muse Spark Open等模型因每次决策耗时1至6秒,导致Kickflip成功率为0%;GPT-6 Astra同样为0% 1。然而,当模拟器暂停以允许无限思考时,DeepSeek在风暴环境中的表现最佳,成功率达87%,但一旦恢复实时时钟,其性能立即归零 1。目前,相关的RL环境、提示词及SkyPilot配置文件已在GitHub开源,支持用户自定义模型接入 1。


评论