AI训练管理器：自适应训练配方的有界闭环控制

我们推出了 AI Training Manager，这是一种基于 LLM 的有界监督控制器，用于自适应机器学习训练。标准训练管道通常依赖于固定配方或单轴调度程序，它们可能会遇到中期运行故障，例如严重过度拟合、损失不平衡、探索崩溃或不安全探索。管理器不是取代数学优化器或充当无约束编码代理，而是通过模式条件接口进行操作：它从活动运行中读取结构化遥测快照，审核受约束的操作空间，并将经过验证的更新返回到训练参数，例如学习率、正则化强度、损失权重系数和探索设置。我们通过监督语言建模和强化学习来评估这种架构。在 TinyStories 上，管理器检测并纠正过度拟合，实现验证损失比基线低 60%，同时生成可审计的干预日志。在这种监督设置中，我们还表明管理器推理不需要阻止训练循环：训练可以在管理器响应挂起时继续进行，并且一旦可用，可以异步应用经过验证的更新。在机器人操作强化学习任务中，我们在情景闭环设置中使用相同的有界决策接口，其中管理器更新应用于评估或检查点边界。管理者减少了保守和不安全的勘探制度。这些结果表明，模式条件大语言模型可以充当实时训练运行的有界监督管理器，通过可解释的多轴干预功能补充传统的优化器和调度器