小米MoE强化学习稳定性论文：GRPO改造详解

tokenbender解读arXiv论文《Towards Stable and Effective Reinforcement Learning for Mixture-of-Experts Models》，聚焦小米MoE模型RL训练的思路：未采用花哨新算法，而是在标准GRPO基础上为稳定性与规模化做针对性改造，包括router感知的重要性采样重缩放、以prompt均值损失替代token均值损失等关键修改。

2026-09-22 ~ 2026-09-22 · 2 条相关

事件全程(共 3 集)→

• 第 1 集:小米 MiMo RL 训练细节引热议：疑似 1M 上下文、30 步即大幅提升(2026-09-22,15 条)
• 第 2 集:小米 MiMo-V2.6 发布：1000+ TPU 上押注 RL 扩展(2026-09-22,10 条)
• 第 3 集:小米MoE强化学习稳定性论文：GRPO改造详解(2026-09-22,2 条)

• 不换 GRPO 只做改造：小米 MoE RL 稳定性改进全拆解 — tokenbender · 2026-09-22
• MoE 强化学习稳定性新论文：router 感知的重要性采样重缩放 — tokenbender · 2026-09-22