Modal博客：实现混合精度与多加速器采样器的稳定强化学习

发生了什么

据Modal Blog报道，研究团队展示了在大型模型强化学习中，使用混合精度和混合加速器采样器保持训练稳定的方法。通过在B200上使用BF16训练器，结合六种不同加速器和精度的采样器（如B200/B300的NVFP4、H100/H200的FP8等），利用离策校正和无限制异步更新解决策略不匹配问题。团队在Qwen3.6-35B-A3B上完成代理编码任务训练，并在SWE-bench Pro V2上进行评估。