大模型异步 RL 框架设计与权衡围绕 Staleness 控制展开

这篇万字长文核心讲的就是,大模型用异步 RL 做后训练,可以把推理生成和参数更新两条链路拆开并行跑,大幅拉高 GPU 利用率、缩短整体