课题详情： 课题背景： 在游戏AI大模型强化后训练（例如Agent场景）中，Rollout生成阶段占据了极大的算力和时间开销，是当前最核心的性能瓶颈。现有框架在训练和推理引擎中通常使用同等规模的模型，效率严重受限。本项目旨在探索参照投机解码思路，彻底解耦训练与推理引擎，利用更小规模的模型加速Rollout推理过程，从而大幅提升强化后训练的整体吞吐，突破算力瓶颈。 课题挑战： 1. 训推不一致与收敛稳定性：小模型Rollout会引入数据分布偏移，极易破坏RL算法的稳定性导致崩溃。需从理论和实验双向探索误差边界与算法修正方案； 2. 极致的分布式系统通信：彻底解耦训练与推理引擎后，跨引擎/节点的模型权重、隐藏状态、梯度的同步会带来巨大通信延迟，需设计创新的计算-通信重叠机制； 3. 动态投机接受率保障：随着大模型在训练中持续更新，固定的小模型投机准确率会快速衰减。需设计轻量级、低延迟的大小模型在线同步或高效蒸馏策略以维持高接受率。 具体工作： 你将主导分离式投机解码系统的架构设计，探索小模型Rollout对强化学习收敛性的影响，攻克大小模型高效通信与动态对齐难题，并在核心模型训练中验证其实用性与加速效果。 课题要求： 1、包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士； 2、深入理解VeRL等强化后训练框架、GRPO/PPO等强化学习算法及投机解码原理； 3、较强的工程实现能力，熟悉Tensorflow，PyTorch等至少一个深度学习框架，熟悉Megatron-LM, DeepSpeed, vLLM等主流训练/推理框架。