快科技8月6日消息，华为宣布昇腾正式支持强化学习RL训推一致性，在通义千问3-30B-A3B混合专家模型上，实测对数概率差值logdiff为0，并在即时执行（Eager）模式下获得20%至60%性能提升。
所谓训推一致性，指推理引擎与训练引擎即使使用相同权重，对相同输入算出的对数概率也可能有细微差异，差异用logdiff衡量，归零即完全一致。
为何要做到训推一致？强化学习已成为大模型后训练的主流范式，推理与训练过程深度耦合，基础设施差异容易放大不确定性，训推不一致严重时甚至导致训练崩溃。
据了解，训推不一致最根本的原因是底层计算累加不保序，模型参数越大，张量并行、专家并行等切分越复杂，任一环节对不齐，都无法做到真正的在线策略训练。
算子层面，昇腾用自研的Ascend C语言对训推链路关键算子做系统性约束，统一注意力掩码语义、锁定规约累加顺序、对齐分块与精度，再配合闪速注意力（FA）算子优化，让训练和推理走同一套数值路径。
框架层面同样需要对齐，相同语义的模型层，训练用多个小算子拼接，推理用融合算子实现，精度存在细微差异，需要替换无法保证一致性的算子并补齐两端差距。
验证方面，开启训推一致性后奖励曲线正常上升，logdiff稳定为0。相关基础设施已开源至verl-ascend-recipe仓库，覆盖GRPO、DAPO等主流强化学习算法，开发者可直接试用。
