小米AI新论文！雷军千万年薪要挖的DeepSeek天才少女署名

▲DeepSeek“天才少女”罗福莉（图源：罗福莉个人公众号）

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。

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。

▲重放门控权重、重放输出y的计算方式

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。

▲使用Megatron进行两次前向传播获得的概率

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。

▲a、MoE模型中训练-推理差异的说明，b、MoE+R3模型中训练-推理差异的说明，c、稠密模型中训练-推理差异的说明，d、极端token分布函数

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。

▲主要评估结果

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。

▲多步更新训练-推理崩溃分析

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。

▲wen3-30B-A3B-Base训练动态

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。