Qwen3 多域 RL 整合：MOPD 最均衡
burny_tech · x · 2026-07-18
这条在讨论 **Qwen3-30B-A3B** 的多领域能力整合，核心方法是 **MOPD**，并和多种基线做了对比。 ### 结果概览 - MOPD 在六种整合方法里拿到最高的归一化总分 **0.9373**。 - 次高的是 Mix-RL，归一化总分 **0.8818**。 - MOPD 在各域上的表现更均衡，三个领域的归一化分数落在 **0.91–0.95**，跨度最小。 ### 对比结论 - **Cascade RL**：存在跨域干扰，前一阶段学到的能力会在后续阶段被削弱。 - **Off-Policy Finetune**：在 IF（instruction following）上甚至超过 teacher，但 SWE 只闭合到约 65%。 - **Mix-RL**：是更均衡的基线，但整体仍落后于 MOPD。 ### 作者想表达的重点 MOPD 的优势不只是总分更高，而是各任务上的提升更均匀，说明它更适合做多域能力整合，而不是只在单项上冲高分。