标签
我们介绍了MIPI（单调推理策略改进）及其实例化MIPU，这是一个用于LLM的两步RL框架，通过将优化与推理策略改进明确对齐来解决训练-推理不匹配问题。在FP8量化展开下，MIPU在Qwen3-1.7B和Qwen3-4B模型上实现了改进的推理性能和训练稳定性。