Sihwan Park

异步RLVR训练在维持高并发时把上下文处理压缩进更少的解码步，使KV缓存而非权重成为主要开销。KV4-RL用免校准INT4存储全部上下文，只对注意力汇点和最近上下文做有界INT8保护，在Qwen3-4B-Base与Qwen3-8B-Base的全参数GRPO训练中，六项基准平均准确率与BF16 rollout相差不超过0.5个百分点，同时显著加快rollout与整轮迭代。

异步RLVR训练在维持高并发时把上下文处理压缩进更少的解码步，使KV缓存而非权重成为主要开销。KV4-RL用免校准INT4存储全部上下文，只对注意力汇点和最近上下文做有界INT8保护，在Qwen3-4B-Base与Qwen3-8B-Base的全参数GRPO训练中，六项基准平均准确率与BF16 rollout相差不超过0.5个百分点，同时显著加快rollout与整轮迭代。