标签
该论文发现，在RL后训练中，当fp32主权重通过bf16四舍五入导出时，大多数小于半个bf16间隔的策略更新会被静默丢弃，使采样器落后优化器50–150步；作者提出了仅需一行代码的Fair Cast（随机舍入/误差反馈），在Qwen3-0.6B到4B的25组配对实验中平均提升6.1分。