提出TRIAGE低精度强化学习稳定方法

研究者提出TRIAGE，用于稳定原生NVFP4强化学习中学习器与采样器执行失配引起的策略优化问题，并通过分段诊断选择性重平衡策略梯度，对残余严重失配进行有界修复。该方法在采样器和学习器上保留W4A4前向执行，在Qwen3-4B和Qwen3-30B-A3B的实验中达到五个数学推理基准的全精度水平，原生NVFP4的rollout吞吐量最高达到BF16的2.3倍；以上结论基于论文摘要。

摘自 arXiv · cs.AI

还没有足够的连续观测数据，暂不绘制趋势。