读懂 MiniMax：RL 算法、权重同步与可验证数据的一条主线

0一条主线

大模型能力的上限，正在从“算法”转移到“数据与奖励的可验证性”；而能不能真正跑起来，取决于一整套工程基建。

谁能把更多任务变得“可自动验证”，又能把训练-推理的飞轮转得够快，谁就能让模型摆脱“模仿老师”的天花板。

1模型演进：M2 → M2.7 → M3

1.1 大个子，小激活

MiniMax 是典型的 MoE（混合专家）：以已公开的 M2 为例，总参数约 229.9B，但每个 token 只激活约 9.8B（激活率 ~4.3%，256 个细粒度专家）。一句话——“个头像 2300 亿，跑起来像 98 亿”，论文标题就直白地叫 Mini Activations Unleashing Max Real-World Intelligence。（M3 的参数量官方尚未披露。）

1.2 三代演进的暗线

M2   全注意力(保精度,但平方复杂度贵) · 192K · 纯文本
      └ 埋伏笔:"高效注意力会掉点,先用全注意力顶着"
M2.5 大规模 agentic RL(Forge + CISPO)
M2.7 自我进化雏形:自己 debug 训练、改自己的 scaffold
M3   MSA(块级稀疏注意力) · 1M · 原生多模态 · 操作电脑
      └ 兑现伏笔:"先用主流方法做平质量,再干净替换"

1.3 M3 的核心创新：MSA

• 动机：M2 试过线性/滑窗注意力都掉点，只能保守用全注意力，代价是百万上下文算力爆炸。
• 做法：在 GQA 骨干上，对未压缩的真实 KV做块级选择（不像 MLA 那样压缩 KV，因此不掉精度）。
• 效果：1M token 时每 token 算力降到上一代的 1/20，prefill 快 9×、decode 快 15×。
• 气质：不追理论最优，只要“能立刻跑、跑得快、能复用现有 kernel”。

1.4 参照系：小米 MiMo-V2.5-Pro

对比同期的小米 MiMo-V2.5-Pro：

注意区分：纯文本的是 MiMo-V2.5-Pro（1.02T/42B）；同系列还有个非 Pro 的 MiMo-V2.5（310B/15B）是原生全模态（文本+图+视频+音频）。这里对比的是定位与 M3 相近的 Pro 版。

两者代表两种截然不同的省长上下文哲学。长上下文有两座大山：算得贵（每个新 token 都要回看全部历史，平方级增长）和存得贵（KV cache 把每个历史 token 的“笔记卡片”堆满显存）。

• MiMo——分层：多数层只看最近一小段（128 词窗口），少数层才看全局。主攻省内存。像“大部分时候只翻最近一页笔记”。
• MiniMax——分块：把历史切块、只挑相关块精读，其余跳过。主攻省计算。像“笔记按章节分堆，只精读相关那几堆”。

同一个目标，一个从“分层”下手，一个从“分块”下手。

2RL 算法：PPO / GRPO / CISPO

2.1 一个统一框架

所有策略梯度算法其实长一个样：

$$ \nabla J = \mathbb{E}\big[\, w \cdot \hat{A} \cdot \nabla \log \pi_\theta \,\big] $$

三个零件：$\hat{A}$（优势）=这次比平均好还是差；$w$（权重）=用多大力气（要踩刹车的就是它）；$\nabla\log\pi_\theta$=往哪调参数能改变这个 token 的概率（指南针）。三个算法的全部差别，只在 $\hat{A}$ 和 $w$ 怎么填。

2.2 三者对比

核心洞察：PPO/GRPO 会把“调过头的 token”直接封印（梯度=0），而那些罕见却关键的推理 token（“但是”“重新检查”）最容易被误伤。CISPO 只压力气、绝不封印，因此更适合长程 agent 轨迹。

用一个类比：一群人推车（车=参数）。PPO 是“谁用力过猛就剪断他的绳子、让他这轮歇着”（梯度归零）；CISPO 是“谁用力过猛就给他限个速，但绝不让他停手”——人人都还在出力，只是不许过猛。

2.3 为什么梯度会“归零”——五条数学性质

梯度归零的根源，是下面五条数学性质：

1. 常数导数=0 → clip 把 $r_t$ 钉成边界常数后，梯度自然没了；
2. log 导数技巧 $\nabla\log\pi=\nabla\pi/\pi$ → 策略梯度的基石，只要 $\theta$ 在就永远有梯度；
3. IS 权重恒等式 $\nabla r_t = r_t\nabla\log\pi$ → 连接“对 $r_t$ 求导”和“对 $\log\pi$ 求导”的桥；
4. clip 分段导数：区间内是 $\nabla r_t$，超界是 0 —— 这就是归零的来源；
5. stop-gradient：数值还在但不回传梯度（代码里就是 .detach()）。

CISPO 的妙处一句话讲清：把会“剪断梯度”的 $r_t$ 套上 stop-gradient 当常数系数，让梯度改从 $\log\pi$ 走——既限了大权重的方差，又保证每个 token 都有梯度。

2.4 为什么会有“新旧模型”之分

为省钱，一批昂贵生成的数据会被反复更新模型好几次：数据由旧模型 $\pi_{old}$ 生成（冻结），但模型已迭代到 $\pi_{new}$。重要性采样权重 $w=\pi_{new}/\pi_{old}$ 就是来纠偏的——越往后用、模型离得越远（off-policy 越严重），纠偏越关键，而权重太大会让训练崩，所以要裁剪。

3Forge：自研 Agent-native RL 系统

Forge 要破的是 RL 的“不可能三角”：吞吐量 vs 训练稳定性 vs Agent 灵活性。

• 三模块解耦：Agent 侧 / 中间件（Gateway + Data Pool）/ 训练-推理引擎分离 → 支持任意 scaffold，白盒黑盒都行。
• Windowed-FIFO 调度：agent 轨迹长度方差极大，并行生成会“木桶效应”空转。解法是在生成与消费间设一个滑动窗口（单位是在途样本数）：窗口内先完成先取（保吞吐），左边界只在最老一条被消费后右移（卡陈旧度）。它和“版本打标丢弃”的本质区别是——事前限流（几乎不丢昂贵 rollout）而非事后拒收。
• Prefix-Tree Merging：同任务多条轨迹开头常相同 → 把训练从“线性序列”变“树结构”，公共前缀只算一次 → 约 40× 加速，零近似误差。

4工程基建：权重怎么从训练侧搬到推理侧

这一节是顺带延伸的：MiniMax 的公开材料几乎没提权重同步，但 Kimi（Moonshot）专门开源了 checkpoint-engine 来处理这件事，对比之下值得补一课——它也是 RL 里最容易被忽视、却最“烧钱”的环节。

RL 的循环是：

[训练引擎] 更新权重 θ ──► [推理引擎] 用新 θ 生成 rollout
      ▲                                  │
      └────── 用回答算 reward、梯度 ◄──────┘

训练侧和推理侧（vLLM/SGLang）是两拨独立程序、各占 GPU、内存不互通。每轮要把几百 GB～几 TB 的新权重同步过去——这一步慢，GPU 就全在空转等权重。

4.1 裸用 NCCL：Trinity-RFT 的做法

Trinity-RFT 用一个 Synchronizer（同步协调员） 当交通警察，协调 Trainer ↔ Explorer：开训前 init_process_group(backend="nccl") 让双方“建个群”，同步时先握手对齐状态，再 collective_rpc("update_weight") 把权重广播出去。

它的天花板（也是集合通信的通病）：通信组是静态的——中途要加推理实例，得拆了重建整个组，打断在线服务；而且全有或全无，一个 rank 卡住全卡住。

4.2 中间件：Moonshot 的 checkpoint-engine

它不是 NCCL 的竞品，而是架在通信原语之上的编排中间件（Broadcast 模式底层照样用 NCCL）。招牌成绩：给 Kimi-K2（1T 参数）在数千卡上更新一次权重只要约 20s。两种模式：

• Broadcast（默认最快）：全量同步，把传输拆成 H2D → broadcast（写进与推理引擎共享的 CUDA IPC 缓冲）→ reload 三阶段并流水线重叠。
• P2P：专治“中途动态加实例”——用 RDMA 点对点传，不打扰正在服务的老实例。

一句话选型：经典同步循环、实例固定 → 裸 NCCL 就够用；上千卡、实例会动态增减 → 才轮到 checkpoint-engine。NCCL 是“自己开车的高速公路”，checkpoint-engine 是“路上又加了一套物流调度系统”。

5数据构造 Pipeline（最值钱的部分）

5.1 总原则

每条训练数据 = 一个能跑的环境 + 一个客观可信的奖励信号。

最反直觉的认知：这套 pipeline 的工作量不在“造数据”，而在“造验证器/造环境”。数据是副产品，verifier 才是主产品。

5.2 Agentic Coding（奖励最好判，靠跑测试）

• SWE（改已有代码库）：用 GitHub PR，按类型定制奖励。Bug 修复用 F2P（治好了）+ P2P（没治坏）双重门——P2P 是防“假修复”的回归护栏；加功能改抓“新增测试必须过”；性能优化则 P2P 保行为不变 + 验证真变快。判分前还用模型校验“题面和测试一致”，判分后做增广（注 bug、合并成多步、甚至反转任务：不修 bug 改写测试）。
• AppDev（从零写 App）—— AaaV（Agent-as-a-Verifier）：把 App 真部署进沙箱，三层验证：执行层（能 build 吗）→ 交互层（用 Playwright 真点按钮）→ 美学层。
• Terminal-Gym：用 Stack Overflow，靠 Query Evolution 删掉答案线索，逼测试验证逻辑而非背答案。

5.3 Agentic Cowork（奖励难判）

最聪明的是金融的“反向造题”：正常是先有题再求答案，他们反过来，先用工具跑出真实结果再倒推题目——答案天生可验证。

5.4 怎么测一个模型的代码能力

让模型写个 HTML 小游戏（黄金矿工、大鱼吃小鱼），能测“单轮生成 + 完整度 + 审美”，但测不到长程 agentic，而且简单版谁都能过、拉不开差距。想有区分度要：加硬约束（真实钟摆物理、倒计时、禁用库）、改多轮迭代（看会不会把前面改崩）、或上多模态（给截图还原——纯文本模型直接做不了，天然区分）。真正分高下的，是 debug 时能否一次找全多个 bug、模糊需求下会不会主动澄清、以及长任务里的自我纠错耐力。

6批判性思考：它在哪会塌

亮点之外，更要看失效边界：

• Windowed-FIFO 没根治长尾：一条变态长任务仍能占满窗口，还引入对短任务的采样偏置，窗口 W 难调。
• CISPO + 组内优势的死角：同题 G 次采样全对或全错 → 优势全为 0 → 这组白训。奖励必须有区分度。
• 保留 off-policy 梯度是双刃剑：不丢关键 token，但也保留了有偏梯度（bias-variance 权衡）。
• Reward Hacking 打不完：模型会专门骗测试（M3 评测甚至要监控 bash 命令防 git clone/pip install 偷答案）。
• 自我进化的回声室：模型自己改 scaffold、自己造评测、自己打分，偏见会被自我放大、难审计。
• 贵到只有大厂能做：真正贵的不是模型，是“几十万个能跑起来还不腐烂的环境”+ 一整套权重同步/调度基建。

7最深的一层：蒸馏 vs RL 的本质边界

“现在 LLM 都在蒸馏”这话只对一半，关键看在哪一段：

世界上的任务被一道“可验证性断崖”分成两半（就是开头那张图）：左边代码、数学有客观对错，RL 能超老师；右边写作、研究、多轮协作只能靠裁判模型，被天花板锁死。

MiniMax 的真功夫，是用反向造题、AaaV 这些手段，尽量把断崖右边的任务“搬”到左边。谁能把不可验证变可验证，谁就摆脱蒸馏、拿到护城河。

8接回自己的研究：on-policy 蒸馏的位置

把这些方法放进一根坐标轴，就能定位 on-policy 蒸馏（TCoD: Temporal Curriculum in On-Policy Distillation）的位置：

纯模仿/蒸馏 ←———————————————→ 纯 RL(环境奖励)
(off-policy,学老师轨迹)         (on-policy,自己探索)
  SFT      on-policy 蒸馏(TCoD)      RLVR(MiniMax)
  ↑学不过老师  ↑中间路线            ↑能超老师但奖励难造

On-policy 蒸馏让学生在自己的分布上探索（避免纯蒸馏的 exposure bias），同时用老师的稠密信号做监督（不依赖难造的 verifier）——特别适合多轮、长程、难验证的 agent 场景，恰好是断崖右边的一种解法。

而它依托的 Trinity-RFT 把 RFT 解耦成 Explorer / Trainer / Buffer 三模块，和 Forge 解耦 training/inference/agent 是同一种哲学：把“生成经验”和“消费经验”分开，才能灵活控制 on-policy/off-policy。Buffer 专门处理数据陈旧度（呼应 Windowed-FIFO），Explorer↔Trainer 之间靠 NCCL 同步权重（呼应第 4 章）——整条线就串起来了。