昇騰 RL 訓練系統 ASP 入選 NeurIPS，生成吞吐最高提升 222%
深圳市大數據研究院與華為聯合研發的 ASP 成為首個被 NeurIPS 接收的國產昇騰算力 RL 訓練加速系統，它通過離線長度預測、長度同質的 minibatch 劃分與負載均衡分組排序，消除多例項非同步 rollout 的 padding、skewness、sorting 三類氣泡。
首個登上 NeurIPS 的國產昇騰算力 RL 訓練加速成果，給出 76% 迭代時間下降和真實百卡叢集 3 個月壓縮到 2 個月的落地資料，對在昇騰上做後訓練的團隊有直接參考價值。
原標題：NeurIPS 2026 | 国产昇腾大模型RL训练系统，最高提速222%
閱讀原文
| 評分 | 78 / 72（平均 75，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Recursia 零樣本長時機器人操作超輝達 ASPIRE 最高 15.1 個百分點
研究團隊提出具身 RSI 系統 Recursia，通過內外雙層迴圈讓機器人從執行經驗中改進共享執行棧，在 LIBERO-Pro Long 零樣本長時操作的位置/任務擾動下成功率達 28.4%/53.4%，比輝達 ASPIRE 高 5.8/15.1 個百分點。共享棧分為工具、技能、交接、驗證四層，候選修改需經通用性檢查、機制測試及父子版本配對比較。
復旦與華為小藝提出 SAGE，昇騰 NPU 運算元生成成功率達 95.5%
復旦與華為小藝提出 SAGE，面向昇騰 NPU 的運算元生成成功率達 95.5%。SAGE 把知識冷啟動、工具增強診斷和經驗學習串成閉環：冷啟動用 Ascend C 速查表、除錯指南與實現範例，並通過生成實現和專家實現的差分挖掘可複用模式；診斷階段讓 Agent 自主呼叫除錯與 profiling 工具定位中間張量異常和效能瓶頸。經驗學習用 ATU 只給實際被採用的經驗分配測試反饋，並把反覆有效的規則沉澱為熱記憶。
阿里千問 TRACE 讓 FP4 強化學習 Rollout 最高提速 5.4 倍
阿里千問與俄亥俄州立大學提出 TRACE，用 Rollout 側真實 FP4 量化結果指導訓練側舍入方向，在四個 Qwen MoE 模型上把聯合 FP4 權重啟用與 FP4 KV Cache 的 RL 效能拉回 BF16 水平。Qwen3.5-35B-A3B 平均分 75.3，高於 BF16 Rollout 的 74.9，遠超普通 QAT 的 59.6 和 QUADS 的 68.8；128K 輸出長度下解碼吞吐最高提升 5.4 倍，端到端 RL step 僅增約 7.4% 開銷。
RL 後訓練 4B 模型即時駕駛飛行跑車，90% 成功率勝過 GPT-6 Astra
有人用物理模擬搭了個飛行版特斯拉 Roadster 的強化學習環境，測各家大模型能不能即時把車飛起來，結果經 RL 後訓練的 4B 小模型即時落地成功率 90%，主流大模型即時成功率為 0。車每 0.2 秒要一個新指令，而 DeepSeek V4.1 Flash、Nemotron 3.5 Super、Muse Spark Open、Beam 1.0 和 GPT-6 Astra 單次回覆要 1 到 6 秒，全部墜毀；
AI 設計的開源加速卡 openTPU 跑通十餘款模型
一個由 AI 設計的開源 AI 加速器 openTPU 已在真實 PCIe 卡上跑通十餘款模型的真實權重，輸出與 bit-exact 模擬器逐位一致。硬體是 Xilinx Kintex-7 xc7k480t 加兩路 DDR3，LFM2.5-230M int8 解碼 59.0 tok/s、4-bit 達 85.8 tok/s；解碼受 DRAM 頻寬限制，實測跑到峰值的 82%-94%。