允中 发自 凹非寺量子位 | 公众号 QbitAI

强化学习的训练效率，实在是太低了！

随着DeepSeek、GPT-4o、Gemini等模型的激烈角逐，大模型“深度思考”能力的背后，强化学习（RL）无疑是那把最关键的密钥。

然而，这场竞赛的背后，一个巨大的瓶颈正悄然限制着所有玩家的速度——相较于预训练和推理，RL训练更像一个效率低下的“手工作坊”，投入巨大但产出缓慢。

其中，占据超�%时间的Rollout（响应生成）阶段，由于其内存带宽限制和自回归特性，成为了整个AI基础设施中公认的阿喀琉斯之踵。

如何攻克这块AI基建的最后高地？现在，上海交通大学与字节跳动研究团队给出了一个全新的答案。

该团队联手推出的RhymeRL，从一个被忽视的现象入手，巧妙地将历史数据变废为宝，在不牺牲精度的前提下，将RL训练吞吐量提升𱄾.6倍。

模型生成的答案存在两大“历史相似性”

该研究团队深入分析了大量RL训练过程，发现在相邻的两个训练周期中，尽管模型权重已经更新，但对于同一个问题（Prompt），模型生成的答案（Rollout）存在两大“历史相似性”：

第一，序列相似性。

新答案“继承”了旧答案的思路，高�%的历史Token都可以直接复用。

第二，长度分布相似性。

上一轮里，哪些问题让模型“思来想去”，这一轮大概率依旧如此。响应长度的排序惊人地稳定。

该研究团队认为，这种相似性，主要源于PPO/GRPO等主流RL算法为了保证训练稳定而采用的梯度裁剪（Clipping）机制，它让模型的进化变得平滑而有迹可循。

这就好比一个学生，虽然每天都在进步，但他解决同一类型问题的思考路径和草稿篇幅，在短期内是高度相似的。

既然如此，历史的旧草稿能否成为新一轮学习的模版？

针对Rollout阶段的低效现状，提出新框架RhymeRL

基于这一洞察，RhymeRL框架应运而生。

针对Rollout阶段的低效现状，它包含两大核心利器：

HistoSpec和HistoPipe。

RhymeRL的核心设计示意图

HistoSpec

传统的Rollout，是一个Token一个Token往外蹦的自回归过程，速度慢且GPU利用率较低。

而HistoSpec独创性地将投机解码（Speculative Decoding）技术引入RL，它不再需要一个额外的小模型来“猜”草稿，而是直接把上一轮的历史响应作为“最佳剧本”。

这就像开卷考试，你提前拿到了去年的标准答案作为参考。

起草（Draft）：直接从历史响应中巧妙地总结出树状草稿。验证（Verify）：将整段草稿一次性扔给大模型，通过单次前向传播，并行验证所有Token的正确性，然后“接收”所有匹配的部分。

由于历史序列的超高相似性，草稿的接受率极高。

这使得计算过程从逐字生成变成了“批量验证”，计算密度飙升，打破了内存带宽的枷锁，让单个响应的生成速度实现了质的飞跃。

HistoSpec采用的基于树的历史响应管理，实现了草稿的高速、准确生成

HistoPipe

仅仅让单个响应变快还不够。

在批处理中，不同任务的响应长度不一，短任务总要等待长任务，导致大量GPU资源被闲置，产生了巨大的“空泡”（Bubble）。

HistoPipe是一位具有前瞻性的调度大师，它的目标是：

榨干每一滴GPU算力，实现无空泡的完美流水线。

基于“长度分布相似性”的洞察，HistoPipe不再强求单一步内实现负载均衡，而是玩起了“跨步互补”——在奇数步，让所有GPU由短到长处理任务；在偶数步，则反过来，由长到短处理。

这样一来，上一步因为处理长任务而拖慢的GPU，在下一步会优先处理短任务，完美填补了时间差。

通过这种巧妙的削峰填谷，HistoPipe将整个集群的资源浪费降至最低。

HistoPipe的流水线设计，通过跨步互补调度实现了无空泡调度

2.6倍加速，精度无损

当模板HistoSpec遇上调度大师HistoPipe，产生反应是惊人的——实验结果表明，在数学、代码等任务上，RhymeRL相比于基础系统取得了大幅性能提升，端到端训练吞吐量提升高񙵮.61倍。

这意味着，研究者和企业可以用更少的资源、在更短的时间内，完成更强大的模型训练，极大地加速了AI技术迭代的步伐。

RhymeRL的重要意义在于，它提出了一种新的强化学习范式——基于历史信息来端到端地加速强化学习效率。

强化学习不是简单的推理与训练的拼接，通过深入剖析其任务特性，RhymeRL能够充分发挥系统统筹调度能力与底层硬件的算力资源，同时无损地适配各种已有的训练算法。

arXiv链接：https://www.arxiv.org/abs/2508.18588