推理模型强化学习训练不再只调执行：RPEG把流水线结构也纳入搜索，256块GH200上相对ReaL最高提速2倍
推理语言模型的强化学习训练每步要串起生成、评估、训练多个大模型，现有系统通常只优化其中一部分。RPEG把流水线结构（有界异步、actor–critic共享）与执行方案（阶段融合、细粒度调度、多维并行）放进同一张图里联合搜索，并配一个经硬件校准的解析性能模型。在最多256块GH200上，其运行时相对ReaL端到端最高提速2倍，相对verl每步延迟最高降低2.48倍，硬件利用率最高提升30%。