10月14日，小米和北京大學聯合署名的論文發表于arXiv，曾被曝獲小米集團創始人兼CEO雷軍以千萬年薪招募的DeepSeek“天才少女”羅福莉，出現在了這篇論文的通訊作者之列，但值得注意的是，論文作者中并沒有標注羅福莉屬于小米大模型團隊。

通訊作者中的羅福莉是95后，她本科就讀于北京師范大學計算機專業，碩士畢業于北京大學計算語言學研究所計算語言學專業。隨后羅福莉曾在阿里巴巴達摩院主導開發了多語言預訓練模型VECO，并推動了AliceMind的開源工作，2022年入職DeepSeek，參與了MoE大模型DeepSeek-V2的研發。去年年底，小米被曝以千萬年薪挖角DeepSeek-V2核心開發者之一羅福莉，使其沖上熱搜，但雙方至今都未公開聲明是否正式入職小米。

DeepSeek“天才少女”羅福莉（圖源：羅福莉個人公眾號）

這篇論文提出了提升MoE模型強化學習訓練的新方法Rollout Routing Replay（R3）。實驗結果證明，R3的整體性能優于GRPO、TIS這類強化學習領域提升模型性能的優化算法，且引入R3的所有組合方法全過程無崩盤，訓練過程中訓練-推理KL散度等始終較低，在不影響訓練速度的情況下，使得極端token比例減少一個量級。

當下，強化學習（RL）已成為提升大語言模型能力的關鍵方法。然而，在MoE模型中，路由機制往往會引入不穩定性，甚至導致強化學習訓練崩潰，但現有的引入重要性采樣機制等并不能提升訓練穩定性。不同于此前采取諸如丟棄差異較大的數據之類的變通方法，這篇論文的研究人員希望通過解決路由分布也就是R3來根本性解決這個問題。

論文地址：https://arxiv.org/pdf/2510.11370

一、破解強化學習崩潰的關鍵方法，小米團隊提出R3

強化學習已成為大語言模型后期訓練的基石，利用大規模強化學習，大模型更深入、更廣泛推理，獲得解決復雜問題所需的高級能力，但其面臨的關鍵挑戰是如何平衡效率和穩定性。

現代強化學習框架通常使用不同的引擎進行推理和訓練用于部署，但這種架構上的分離可能導致token概率出現分歧，甚至可能導致災難性的強化學習崩潰。然而，現有的改進方法并不能完全解決MoE模型上進行強化學習訓練時出現的強化學習離線策略問題。

研究人員提出的R3，其工作原理是在序列生成期間從推理引擎捕獲路由分布，并將其直接重放到訓練引擎中。這一過程可以縮小訓練和推理之間的差距，其顯著特征是不同引擎生成的邏輯向量的KL散度（量化兩個概率分布之間的差異程度，值越小說明兩個分布越接近）顯著降低，兩個階段之間概率差異顯著的token數量減少了大約一個數量級。

此外，該方法同時適用于在線策略（on-policy）和小批量（mini-batch）式離線策略強化學習（off-policy）場景。

論文提到了研究團隊的三大主要貢獻：

1、系統識別和分析了MoE模型中訓練和推理之間的路由分布差異，強調了它們在訓練不穩定性中的作用；

2、提出Rollout Routing Replay，它重用訓練引擎內部的推理時間路由分布，以協調訓練和推理之間的路由行為；

3、將R3應用于多種RL設置進行MoE強化學習，并表明R3在穩定性和整體性能方面優于GSPO和TIS。

二、可顯著縮小訓練-推理差異，對Agent任務大有裨益

R3的主要思路是在訓練前向傳播過程中重用推理路由掩碼I，同時仍將softmax應用于訓練邏輯以保持梯度流。

這種設計主要有兩個目的：一是對齊訓練和推理，確保訓練重放期間使用的專家與推理期間選擇的專家相匹配，從而消除專家選擇中的不匹配；二是保留梯度數據流，通過僅重放掩碼，梯度仍然可以流回logits而不會干擾計算圖，這有助于有效地優化路由器。

重放門控權重、重放輸出y的計算方式

具體來看，R3在效率優化上，通過路由掩碼緩存（Router Mask Caching）適配多輪對話場景，降低計算開銷。

其論文提到，緩存的路由掩碼具有相似的屬性，對于相同的前綴token，MoE路由器應該產生相同的結果，因此來自推理引擎的路由掩碼可以與前綴KVCache一起緩存。

對于每個層和token前綴，相應的路由掩碼都存儲在KVCache中。當相同的前綴出現并命中緩存時，這些掩碼可以被重用，從而無需重新計算，這使得R3能夠與前綴緩存機制無縫集成。

研究人員稱，緩存路由掩碼在Agent場景中有較大應用空間。例如軟件工程和網頁瀏覽等Agent任務，都涉及自回歸生成和工具調用之間的多輪交互，為了提高效率，這些過程直接重用了前幾輪的KVCache，因此無需重新生成已計算的數據。路由掩碼緩存使R3能夠在強化學習代理任務中保持高效，而無需重新預填充以生成路由掩碼。

為了證明R3在縮小訓練-推理差異上的有效性，研究人員使用Qwen3-30B-A3B模型進行了驗證，其將推理過程中獲得的路由分布緩存在SGLang上，并在Megatron框架內重放它們。

使用Megatron進行兩次前向傳播獲得的概率

結果表明，應用R3后，訓練和推理之間的KL散度從1.5×10?³減小到7.5×10??，接近于稠密模型的6.4×10??水平，這表明其訓練-推理差異減少。

研究人員還繪制了使用R3的訓練-推理差異比率的累積分布圖，對于MoE模型，應用R3可將具有較大訓練推理差異的token的頻率降低一個數量級。

a、MoE模型中訓練-推理差異的說明，b、MoE+R3模型中訓練-推理差異的說明，c、稠密模型中訓練-推理差異的說明，d、極端token分布函數

三、實測三大能力提升：整體性能、訓練穩定、優化生成行為

為了評估R3對強化學習的性能改進，研究人員從BigMath、ORZ等開源數據集篩選約10萬道可驗證數學題，采用AIME24、AIME25、AMC23和MATH500作為基準數據集進行評估，并在單次訓練過程中每5個全局步驟測量一次模型性能。

其選擇的模型是Qwen3-30B-A3B-Base及其微調模型Qwen3-30B-A3B-SFT。

評估方式是每5個全局步驟記錄模型性能，最終報告最佳性能及對應訓練步驟，若模型后期性能驟降，同時追蹤訓練崩盤步驟”。

實驗結果表明，整體性能上，R3在多步更新場景，GRPO+R3平均得分68.05分，比GSPO高出1.29分；GSPO+R3進一步提升至69.00，比單獨GSPO高2.24分。

單步更新場景，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。

主要評估結果

研究人員還發現，將R3與TIS結合使用并不能帶來明顯的性能提升，甚至可能降低性能，例如在SFT模型的單小步設置下，TIS+R3的得分比單獨使用R3低1.69分。由于R3已經顯著降低了訓練和推理之間的策略差異，因此TIS的額外校正效果微乎其微。

訓練穩定性方面：如GRPO、GRPO+TIS等無R3的方法在單步更新場景中均出現崩盤，GRPO在60步崩盤、GRPO+TIS在105步崩盤。

引入R3后，所有組合方法均無崩盤，且訓練過程中訓練-推理KL散度等始終較低。

多步更新訓練-推理崩潰分析

優化與生成行為方面，在訓練過程中，R3還能增強優化穩定性、探索行為和生成動態。下圖是研究人員繪制的單步+基礎模型組訓練過程中的序列長度、梯度范數、生成熵和評估分數。

wen3-30B-A3B-Base訓練動態

結果顯示，R3具有更小的梯度范數、更平滑的序列增長模式和更穩定的熵。實驗中使用R3時，生成的序列長度在訓練開始時迅速上升，表明R3能夠快速捕捉到正確的優化方向，相比之下其他兩個訓練過程在第80步之后才緩慢上升，并且波動更為明顯；R3始終保持較低的梯度范數，表明優化過程更加穩定；實驗使用R3時，熵在大約第25步后開始穩步上升，表明模型更早地開始探索更優策略，不使用R3時，熵上升得更晚，并且波動較大。

結語：聚焦MoE模型訓練難題，小米提出新思路

MoE架構如今已成為擴展現代語言模型的基石，其采用門控網絡，對每個token稀疏地僅激活一部分專家參數，從而將模型的總參數數量與其推理成本分離開來，從而大幅提升了模型容量。然而，由于門控網絡的敏感性，MoE模型容易受到訓練不穩定性的影響，這使得路由穩健性成為有效模型收斂的核心挑戰。

在這篇論文中，研究人員在訓練過程中重用推理時的路由分布，以在保留梯度流的同時對齊專家選擇。這種思路或為行業提供了新的研究思路。