Miles 为 DeepSeek-V4.1-Flash 提供 Day-0 RL 支持，KL 仅 0.0012–0.0017
ying11231 · x · 2026-09-10
radixark 宣布其 RL 训练框架 Miles 首日支持 DeepSeek-V4.1-Flash，关键做法：
- 训练器与 SGLang 的采样逻辑保持接近，通过并行设计与共享状态让新架构在 GPU 间完整扩展
- 量化感知训练对齐 SGLang 的 FP4/FP8 舍入；routing replay 复用 rollout 的专家选择
- 用 FP32 与确定性归约保证数值一致性，训练与 rollout 同位部署，在 16 张 GPU 上完成全参数 RL
在 DAPO 运行的 0–80 步中，trainer–rollout 每 token KL 保持在 0.0012–0.0017，奖励从 0.51 升至 0.78。博客与 cookbook 见评论区。
「Infra」频道最新
- 大厂全做 AI 沙箱,Modal 与 Daytona 靠盒外一层仍居增速榜前列 — FinanceYF5 · 2026-10-26
- Ant 招股书印证「算力是可互换商品」论:单一池动态调度 — BenBajarin · 2026-10-26
- SLC NAND 每 1% 份额增长需多 2% 晶圆产能,闪存或复刻 HBM 行情 — toptickcrypto · 2026-10-26
- NVIDIA Vera Rubin 训 10T 模型只需 1.6 万卡，较 GB200 省 75% GPU — teortaxesTex · 2026-10-26
- Anthropic S-1 自曝：曾多次严重低估算力需求，导致产能受限拖累产品 — JosephJacks_ · 2026-10-26
- Anthropic 算力协议规模暴涨至最高 1205 亿美元 — teortaxesTex · 2026-10-26