RL 模型迁移后的精度比对，相较于 SFT 模型迁移的精度比对，难了很多。

经常出现一个难解问题，前20步reward等指标两者差异较小，但是之后就偏移很大。

叠加

• 指标繁琐，但不解决问题：虽然指标多，但都是表象/结果指标，难以说明差异来源。
• 耗时长：RL单步1h+，SFT 20s；慢两个数量级，迭代缓慢。
• 流程更复杂：涉及到推理和权重转换；
• 资源压力大：训推+评测模型权重，RL的显存和机器资源压力更大。

随着AI模型的能力越来越强，我们要做的就是像SE一样描述清楚需求边界，然后让AI去干就行了。

但是由于安全保密，或者不同公司开发软件的历史原因，如何搭建一个AI Coding的环境直接第一步就难住了：

1. 问题场景：黄区开发，根本连不上外网；
   2. 解决方法：允许蓝区开发
2. 问题场景：客户都是k8s集群调度机器，都是虚拟出来的机器，只提供一个web的terminal调试界面。代码是在跳板机上修改，然后挂载同步到实际申请到虚拟机上。

在AI训练流程中，明明一个tensor就是一个shape下的数值，但是竟然有一堆指标来处理和解释其含义：

• l1 norm
• entropy
• log_prob
• logistics

这些指标代表什么，用途为何？如何计算（标量？什么shape），计算前后值域/shape变化如何，在比较精度的场景下是否为合适的典型指标（有代表性，且能比较）

• KL divergence
• JS divergence
• argmax agreement
• top-k agreement

之前将megatron GPU实现迁移到NPU时，对齐精度，通过打印hook+小算子，只是打印 hash、l1_norm、mean、sum实现，能实现tensor hash值一模一样。

但是后来为了性能不得不上融合算子，就不能实现hash值相同；

到现在RL训推一致性，需要对齐训练和推理的精度，有两个问题：

1. 由于激活值在通过attention，mlp moe等模块时，激活值的shape和值域都会变化，如何判断对比两者的在哪个模块有明显的变化。需要不同模块能通过norm类似的操作来统一误差标准，然后我能拉一个每个不同模块的误差曲线，能通过可视化发现误差陡增的位置就是问题所在。
2. 主要我不希望dump每个模块的输出来进行位数的对比，这样太耗时和消耗空间，但是统计值l1_norm、mean、sum、min和max好像已经不够了，是不是需要加上p95等分位值，或者对于tensor变量一些metrics：kl loss才能更好的对比两个比较两个tensor的差异，且是数值可比较的。

Agentic RL 和 memory 是2026年的发展方向。本文将调研 Agentic RL 在多模态的发展潜力。

• 25年，RL训练崩溃归因于训推不一致；
• 为此提出了很多方法，TIS，Router Replay，FP16训推，batch一致性…
• 如何判断 模型当前训推不一致，并找到不一致实现处，是实践的要点。

ZJ内部出差，从0到1完成verl + MindSpeed MM + DanceGRPO算法的 t2v RL，达成reward快速持续上升。

推理采样如何重塑概率地图：在普通监督学习（SFT）中，模型是被“喂饭”——你告诉它正确答案是什么，它去模仿。而在强化学习（RL）中，模型是在“试错”——它自己写几个答案，然后根据好坏来调整自己。

• 第一阶段的目标: 接入api模型，完成每日的工作相关基础的信息收集和整理归档。
• 第二阶段的目标: 无监管处理较简单事项；
• 第三阶段的目标: 参与构建复杂系统，和辅助重要决策。

AI浪潮下，一开始是代码补全，之后是Vibe Coding，现在是Agent（规范驱动开发(Spec-driven Development)），后续趋势是Agent Team/Swarm。核心LLM上层的 逻辑编排层 愈发的重要。Harness Coding等

作为一个程序员，应当以什么姿势拥抱AI时代的代码编程，是需要持续关注的问题。