智东西（公众号：zhidxcom）

编译 | 程茜

编辑 | 李水青

智东西 10 月 15 日消息，10 月 14 日，小米和北京大学联合署名的论文发表于 arXiv，曾被曝获小米集团创始人兼 CEO 雷军以千万年薪招募的 DeepSeek" 天才少女 " 罗福莉，出现在了这篇论文的通讯作者之列，但值得注意的是，论文作者中并没有标注罗福莉属于小米大模型团队。

通讯作者中的罗福莉是 95 后，她本科就读于北京师范大学计算机专业，硕士毕业于北京大学计算语言学研究所计算语言学专业。随后罗福莉曾在阿里巴巴达摩院主导开发了多语言预训练模型 VECO，并推动了 AliceMind 的开源工作，2022 年入职 DeepSeek，参与了 MoE 大模型 DeepSeek-V2 的研发。去年年底，小米被曝以千万年薪挖角 DeepSeek-V2 核心开发者之一罗福莉，使其冲上热搜，但双方至今都未公开声明是否正式入职小米。

这篇论文提出了提升 MoE 模型强化学习训练的新方法 Rollout Routing Replay（R3）。实验结果证明，R3 的整体性能优于 GRPO、TIS 这类强化学习领域提升模型性能的优化算法，且引入 R3 的所有组合方法全过程无崩盘，训练过程中训练 - 推理 KL 散度等始终较低，在不影响训练速度的情况下，使得极端 token 比例减少一个量级。

当下，强化学习（RL）已成为提升大语言模型能力的关键方法。然而，在 MoE 模型中，路由机制往往会引入不稳定性，甚至导致强化学习训练崩溃，但现有的引入重要性采样机制等并不能提升训练稳定性。不同于此前采取诸如丢弃差异较大的数据之类的变通方法，这篇论文的研究人员希望通过解决路由分布也就是 R3 来根本性解决这个问题。

论文地址：https://arxiv.org/pdf/2510.11370

一、破解强化学习崩溃的关键方法，小米团队提出 R3

强化学习已成为大语言模型后期训练的基石，利用大规模强化学习，大模型更深入、更广泛推理，获得解决复杂问题所需的高级能力，但其面临的关键挑战是如何平衡效率和稳定性。

现代强化学习框架通常使用不同的引擎进行推理和训练用于部署，但这种架构上的分离可能导致 token 概率出现分歧，甚至可能导致灾难性的强化学习崩溃。然而，现有的改进方法并不能完全解决 MoE 模型上进行强化学习训练时出现的强化学习离线策略问题。

研究人员提出的 R3，其工作原理是在序列生成期间从推理引擎捕获路由分布，并将其直接重放到训练引擎中。这一过程可以缩小训练和推理之间的差距，其显著特征是不同引擎生成的逻辑向量的 KL 散度（量化两个概率分布之间的差异程度，值越小说明两个分布越接近）显著降低，两个阶段之间概率差异显著的 token 数量减少了大约一个数量级。

此外，该方法同时适用于在线策略（on-policy）和小批量（mini-batch）式离线策略强化学习（off-policy）场景。

论文提到了研究团队的三大主要贡献：

1、系统识别和分析了 MoE 模型中训练和推理之间的路由分布差异，强调了它们在训练不稳定性中的作用；

2、提出 Rollout Routing Replay，它重用训练引擎内部的推理时间路由分布，以协调训练和推理之间的路由行为；

3、将 R3 应用于多种 RL 设置进行 MoE 强化学习，并表明 R3 在稳定性和整体性能方面优于 GSPO 和 TIS。

二、可显著缩小训练 - 推理差异，对 Agent 任务大有裨益

R3 的主要思路是在训练前向传播过程中重用推理路由掩码 I，同时仍将 softmax 应用于训练逻辑以保持梯度流。

这种设计主要有两个目的：一是对齐训练和推理，确保训练重放期间使用的专家与推理期间选择的专家相匹配，从而消除专家选择中的不匹配；二是保留梯度数据流，通过仅重放掩码，梯度仍然可以流回 logits 而不会干扰计算图，这有助于有效地优化路由器。

具体来看，R3 在效率优化上，通过路由掩码缓存（Router Mask Caching）适配多轮对话场景，降低计算开销。

其论文提到，缓存的路由掩码具有相似的属性，对于相同的前缀 token，MoE 路由器应该产生相同的结果，因此来自推理引擎的路由掩码可以与前缀 KVCache 一起缓存。

对于每个层和 token 前缀，相应的路由掩码都存储在 KVCache 中。当相同的前缀出现并命中缓存时，这些掩码可以被重用，从而无需重新计算，这使得 R3 能够与前缀缓存机制无缝集成。

研究人员称，缓存路由掩码在 Agent 场景中有较大应用空间。例如软件工程和网页浏览等 Agent 任务，都涉及自回归生成和工具调用之间的多轮交互，为了提高效率，这些过程直接重用了前几轮的 KVCache，因此无需重新生成已计算的数据。路由掩码缓存使 R3 能够在强化学习代理任务中保持高效，而无需重新预填充以生成路由掩码。

为了证明 R3 在缩小训练 - 推理差异上的有效性，研究人员使用 Qwen3-30B-A3B 模型进行了验证，其将推理过程中获得的路由分布缓存在 SGLang 上，并在 Megatron 框架内重放它们。

结果表明，应用 R3 后，训练和推理之间的 KL 散度从 1.5×10 ⁻ ³ 减小到 7.5×10 ⁻⁴，接近于稠密模型的 6.4×10 ⁻⁴水平，这表明其训练 - 推理差异减少。

研究人员还绘制了使用 R3 的训练 - 推理差异比率的累积分布图，对于 MoE 模型，应用 R3 可将具有较大训练推理差异的 token 的频率降低一个数量级。

三、实测三大能力提升：整体性能、训练稳定、优化生成行为

为了评估 R3 对强化学习的性能改进，研究人员从 BigMath、ORZ 等开源数据集筛选约 10 万道可验证数学题，采用 AIME24、AIME25、AMC23 和 MATH500 作为基准数据集进行评估，并在单次训练过程中每 5 个全局步骤测量一次模型性能。

其选择的模型是 Qwen3-30B-A3B-Base 及其微调模型 Qwen3-30B-A3B-SFT。

评估方式是每 5 个全局步骤记录模型性能，最终报告最佳性能及对应训练步骤，若模型后期性能骤降，同时追踪训练崩盘步骤 "。

实验结果表明，整体性能上，R3 在多步更新场景，GRPO+R3 平均得分 68.05 分，比 GSPO 高出 1.29 分；GSPO+R3 进一步提升至 69.00，比单独 GSPO 高 2.24 分。

单步更新场景，SFT 模型上，GRPO+R3 平均得分 71.83 分，比 GRPO（62.23）高 9.6 分，比 GRPO+TIS（66.24）高 5.59 分；Base 模型上，GRPO+R3 平均得分 70.73，比 GRPO（61.69）高 9.04 分。

研究人员还发现，将 R3 与 TIS 结合使用并不能带来明显的性能提升，甚至可能降低性能，例如在 SFT 模型的单小步设置下，TIS+R3 的得分比单独使用 R3 低 1.69 分。由于 R3 已经显著降低了训练和推理之间的策略差异，因此 TIS 的额外校正效果微乎其微。

训练稳定性方面：如 GRPO、GRPO+TIS 等无 R3 的方法在单步更新场景中均出现崩盘，GRPO 在 60 步崩盘、GRPO+TIS 在 105 步崩盘。

引入 R3 后，所有组合方法均无崩盘，且训练过程中训练 - 推理 KL 散度等始终较低。

优化与生成行为方面，在训练过程中，R3 还能增强优化稳定性、探索行为和生成动态。下图是研究人员绘制的单步 + 基础模型组训练过程中的序列长度、梯度范数、生成熵和评估分数。

结果显示，R3 具有更小的梯度范数、更平滑的序列增长模式和更稳定的熵。实验中使用 R3 时，生成的序列长度在训练开始时迅速上升，表明 R3 能够快速捕捉到正确的优化方向，相比之下其他两个训练过程在第 80 步之后才缓慢上升，并且波动更为明显；R3 始终保持较低的梯度范数，表明优化过程更加稳定；实验使用 R3 时，熵在大约第 25 步后开始稳步上升，表明模型更早地开始探索更优策略，不使用 R3 时，熵上升得更晚，并且波动较大。

结语：聚焦 MoE 模型训练难题，小米提出新思路

MoE 架构如今已成为扩展现代语言模型的基石，其采用门控网络，对每个 token 稀疏地仅激活一部分专家参数，从而将模型的总参数数量与其推理成本分离开来，从而大幅提升了模型容量。然而，由于门控网络的敏感性，MoE 模型容易受到训练不稳定性的影响，这使得路由稳健性成为有效模型收敛的核心挑战。

在这篇论文中，研究人员在训练过程中重用推理时的路由分布，以在保留梯度流的同时对齐专家选择。这种思路或为行业提供了新的研究思路。