MoE 模型 RL 训练实现零训练-推理不一致，Qwen3.6-35B-A3B Wordle 演示并全套开源

一项开源成果让大型 MoE 模型可用强化学习训练，且训练与推理之间零 mismatch，消除这种不一致还能切实提升性能。演示任务是用 RL 教 Qwen3.6-35B-A3B 玩 Wordle，相关工作已全部开源，并附带多组消融实验和一条详细线程。