arXiv 论文解析大模型强化学习中训练-推理失配的成因与修正
原文标题：On the Origin and Evolution of Training-Inference Mismatch in LLM Reinforcement Learning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出大模型在线强化学习中，推理引擎采样与训练器计算梯度之间存在训练-推理失配，来源分为引擎数值误差与异步采样的策略滞后。作者将误差精确拆分为数值偏差与策略滞后，并提出 discrepancy-lag correction（DLC）方法。在 Qwen3-0.6B 与 Qwen3-1.7B 上，DLC 将偏离在线策略训练的 KL 散度控制在两次独立在线训练 KL 的两倍以内，并避免训练崩溃。
- 问题
- 在线强化学习中推理引擎采样与训练器梯度计算不一致，使训练数据偏离在线策略。
- 方法
- 在采样器权重下评估训练器，把误差拆为数值偏差与策略滞后，据此提出 discrepancy-lag correction。
- 结果
- Qwen3-0.6B 与 Qwen3-1.7B 上 KL 散度控制在两次独立在线训练 KL 的两倍以内，并避免训练崩溃。
- 影响
- 为 RL 训练框架的采样-训练解耦提供可操作的修正方案，直接影响大模型 RL 训练的稳定性。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文将在线 RL 的训练-推理失配拆为数值偏差与策略滞后，DLC 在 Qwen3 上把 KL 控制在两次独立在线训练 KL 的两倍以内。
- •失配源于推理引擎采样与独立训练器算梯度，使训练数据实际 off-policy。
- •在采样器权重上评估训练器，可把每个 token 误差精确拆为引擎数值偏差与训练器策略滞后。
- •数值偏差近似恒定，形成近乎固定的更新偏置，按前缀中心化可去除其主导偏置。
- •策略滞后构成反馈回路；重要性加权在 Qwen3-1.7B 上于有效样本量低于一半时失效。
- •DLC 在 Qwen3-0.6B 与 Qwen3-1.7B 上避免训练崩溃。
为什么重要：训练-推理失配是当前大模型 RL 工程的实际痛点，该文给出了可解释的误差分解与对应修正方法。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。