vLLM 与 NVIDIA Research 发布 REINFORCE Zero，实现零失配异步 RL 训练

导读

vLLM 博客介绍 NVIDIA Research 与 Inferact 的 REINFORCE Zero 方法：对齐 rollout 与训练内核后，用不加截断的 token 级重要性采样即可稳定异步 RL。