Modal 研究混合精度、混合加速器采样器上的强化学习

Modal 团队提出用离策略修正让 RL 采样器与训练器解耦，采样器可分布在 B200、B300、H100、H200、A100 和 RTX PRO 6000 六类加速器上，各自使用 NVFP4、FP8 或 BF16 精度与独立 kernel，训练器在 B200 上以 BF16 更新。