Mistral 拆解大规模 RL 训练：3000 张 GPU 日产 330 亿 token

Mistral 研究人员 Sophia Yang 分享其大规模 RL 训练系统：Actor 集群自动扩缩容、异步训练，单条 rollout 可达数百万 token。3000 张 GPU 每天产出约 330 亿 token，过滤掩码后约 160 亿进入训练，两阶段新方法削减 off-policy 漂移以稳定长程 RL。她称该系统跨领域人工评测「碾压 GLM 5.3」，未附数据、未经证实。