TRIAGE 稳定原生 NVFP4 强化学习

Zhen Li 等作者提交论文提出 TRIAGE，一种方向感知的稳定方法，用于解决原生 NVFP4 强化学习中学习器与采样器执行失配导致的策略优化不稳定问题。该方法用段级诊断选择性重新平衡策略梯度更新，并对残余严重失配做有界修复，同时在采样器和学习器上保留原生 NVFP4 W4A4 前向执行。 作者称，在 Qwen3-4B 和 Qwen3-30B-A3B 上的实验中，整个评测训练周期内优化稳定，在五个数学推理基准上达到全精度水平性能，且相比 BF16，原生 NVFP4 配合 TRIAGE 的 rollout 吞吐量最高提升 2.3 倍。上述效果均为论文作者报告，尚待独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。