Stabilizing Reinforcement Learning with LLMs

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段	内容
论文链接	Stabilizing Reinforcement Learning with LLMs（arXiv 2512.01374）
公司 / 机构	Qwen Team, Alibaba Inc.
首次公开日期	2025-12-01（arXiv v1）
原作者代码	否：未发现/未发布原作者官方代码仓库
本地 adapter / 方法键	minirl
本地复现代码	src/auto_research/post_training/

原始论文总结

背景与主要改动

分解训推差异与 policy staleness，on-policy 使用 importance correction，off-policy 结合 clipping 与 MoE Routing Replay。

flowchart LR
 A["公开输入"] --> B["minirl 核心机制"]
 B --> C["同预算训练 / 执行"]
 C --> D["公开评测与诊断"]

原论文关键图

原论文 Figure 1（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \rho_t=\pi_\theta/\pi_{rollout},\quad \mathcal L=-\mathbb E[\operatorname{clip}(\rho_t)A_t\log\pi_\theta],\quad z_t=z_t^{rollout}. \]

论文离线与线上效果

30B MoE、数十万 GPU 小时实验显示稳定后不同 cold start 最终表现接近。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

Arithmetic candidate suite、120 steps、seed 42：accuracy 0.2344 → 0.5000（+113.33%）。

auto-research post-train --algorithm minirl --dataset arithmetic-smoke --maximum-examples 256 --steps 120 --seed 42
auto-research evolve --model post-training --dataset arithmetic-smoke --direction "组合 minirl 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p1-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新或评测协议；没有复刻原论文大模型、多卡训练、私有环境或完整公开 benchmark，因而只报告机制验证。