RL 训练基建拆解:router replay、off-policy 控制与 40+ 教师 OPD
nrehiew_ · x · 2026-09-11
nrehiew 完整拆解该模型 RL 训练基础设施:
- dispatch 策略消除长尾停顿；从旧 checkpoint 做 router replay
- 短补全影响训练早期并造成 off-policy，方案:数据集层面设上限 + 丢弃机制
- off-policy 用比率约束与 loss masking(较常规)
- 新 checkpoint 更新时 KV 缓存与 router 持久化而非重算
- 最后阶段对 40+ 个 teacher 模型做全词表 OPD(在线策略蒸馏)
所属事件:DeepSeek V4.1 Flash 技术报告流出：死磕 KV cache 压缩(44 条相关)→
「Infra」频道最新
- 分析师：蚂蚁是当前工作负载最具弹性可置换的模型厂商 — BenBajarin · 2026-10-26
- Anthropic S-1：训练基建优势使单任务成本降40%、营收增速翻倍 — BenBajarin · 2026-10-26
- 研究揭示合成数据最优比例随算力从10%升至32% — heghbalz · 2026-10-26
- 多州暂停新建数据中心，72% 美国人反对建在家门口 — YvesMulkers · 2026-10-26
- 500 万美元种子轮不够 DeepSeek 训一遍:没 GPU 的 AI 创业只剩三条路 — FinanceYF5 · 2026-10-26
- HBM 需求转向:低端推理砍单,Rubin 将全系 12-high HBM — BenBajarin · 2026-10-26