带有标签 "reinforcement-learning" 的新闻

GSPO：无 Routing Replay 的稳定 MoE RL 训练

Qwen 的 GSPO 将优化从 token 级别转移到序列级别，消除 Routing Replay 开销，为 Qwen3 模型提供稳定的大规模 RLHF 训练。