从数学、代码、复杂推理，到多轮工具挪用，大模型的好多能力的提升都离不开 RL 后训练
。但当模型规模进入 MoE 万亿参数级别之后，RL 不再只是一个算法问题，同时越发是一个系统问题
。

训练侧必要包容重大的模型权沉、梯度和优化器状态；rollout 侧必要持续天生样本，并维持足够高的吞吐；reference policy 又会进一步放大显存和调度压力
。同时，好多 RL 系统在训练时使用较高精度模型，而真正 rollout 或部署时使用低精度 serving 模型
。这些精度差距，最终会体此刻部署成效与 RL 成效的不一致上
。

通过将 base model 固定在部署时使用的低精度暗示，并只更新 adapter，Orbit 将 Kimi-K2.6、DeepSeek V4 级此外 1T 模型 RL 后训练压缩到单台 8×B200 上实现
。同时，训练和 rollout 使用统一条低精度 base + adapter 蹊径，从系统层面解除了训练模型与 rollout / 部署模型之间的精度不一致
。

Orbit 做到「让万亿模型进入单节点 RL 区间」这件事的意思在于：

预防了「训练精度」和「部署精度」不一致带来的误差，从而带来更不调换高效的 RL 后训练；单节点 RL 能够显著降低多节点训练时的通讯时延与故障率；在同样的 HBM 预算下，模型会获得更宽的训练空间，从前必要多卡能力训的模型，有机遇被压缩到单卡
。

官方博客：https://spherelab.ai/orbit/Github：https://github.com/Sphere-AI-Lab/orbit

Orbit：支持万亿参数模型 RL 微调的高效框架

显存节造：如下图 1 所示的估算中，单节点 8×B200 的 HBM 预算约为 1536GB
。对 1T 级模型而言，传统全参微调的 weight + grad 显存下界会远超单机预算；而 Orbit 蹊径由于冻结低精度 base，只训练 adapter，能够把 1T 级模型的 RL 后训练放进单节点预算内
。

图 1 分歧框架下大参数模型的单节点显存需要估算

训推精度对齐：在好多 RL 系统里，训练侧可能使用 BF16 或 FP8 等高精度 ，而推理侧使用 INT4、FP4 等低精度
。对于监督微调来说，这种差距有时能够被视作推理优化的一部门；但在 RL 中，policy log-prob 自身就是训练信号的一部门，训练侧和推理侧之间的误差 log-prob diff 会直接影响不变性
。

Orbit 将这一问题前置到了系统设计中：训练和推理使用一样的低精度 base ，并在其上加载统一个 BF16 adapter，从而维持训推精度一致
。

Adapter-first 的系统设计：Orbit 萦绕 adapter 对 RL 训练、推理、同步、reference policy 和低精度 MoE 做了一套整体设计
。base 始终冻结，每次训练更新后，只必要将 MB 级 adapter （不需将 GB 级的 base）从训练引擎推送到推理引擎
。这不仅削减了权沉同步的体积，也预防了频仍沉建推理引擎的开销
。

单节点 Kimi-K2.6 了局

在这组尝试中，模型运行在单台 8×B200 上，训练精度为 INT4 base + BF16 adapter，rollout 精度使用一样的 INT4 base + BF16 adapter
。也就是说，训练和 rollout 走的是统一条低精度 base + adapter 蹊径
。

在约 200 step 的 RL 过程中，Orbit 观察到了几个同时成立的信号：

reward 上升；eval accuracy 上升；pass@k 上升；train-rollout log-prob diff 维持不变
。

图 2 Kimi-2.6 在 Orbit 下单机 RL 后训练信号

图 3 Kimi-2.6 在 Orbit 下单机 RL 后训练的显存纪录

图 2 显示，Kimi-K2.6 的 rollout raw reward、eval accuracy 和 pass@k 曲线随训练推动而不变上升
。同时，train-rollout log-prob diff 不变维持在一个区间
。

对于一个对 log-prob 差距极度敏感的训练范式来说，这些信号现实地证了然 Orbit 的 RL 后训练关环不仅在单机上把 1T 的模型上不变能跑，同时跑对了且在测试工作上有成果
。

单节点 DeepSeek V4 Flash 了局

在这组尝试中，DeepSeek V4 Flash 同样运行在单台 8×B200 上
。训练精度为 FP4 base + BF16 adapter，rollout 精度也使用一样的 FP4 base + BF16 adapter
。

图 4 DeepSeek V4 Flash 在 Orbit 下单机 RL 后训练信号

图 5 DeepSeek V4 Flash 在 Orbit 下单机 RL 后训练的显存纪录

从了局看，DeepSeek V4 Flash 在 100 step 以上的 RL 过程中同样维持不变：reward、eval、pass@k 整体上升，train-rollout log-prob diff 维持在不变区间
。这些趋向跟在 Kimi-K2.6 上的尝试了局类似
。

单节点 1.6T DeepSeek V4 Pro 初步验证

除了 Kimi-K2.6 和 DeepSeek V4 Flash 两组不变有效的训练了局，Orbit 还在 DeepSeek V4 Pro 1.6T 上实现初步验证
。

由于 DeepSeek V4 Pro base model 自身很强，尝试中用的 RL 训练数据不能让它涨点，因而该尝试更多是证明 Orbit 的系统蹊径能够扩大到更大的 1.6T 级 MoE 模型
。

图 6 DeepSeek V4 Pro 在 Orbit 下单机 RL 后训练信号和显存纪录

在 1.6T DeepSeek V4 Pro 上，Orbit 实现了单节点 8×B200 的尝试，展示了不变的 train-rollout log-prob diff 和可控不变的 GPU 显存
。

这组了局证明Orbit 的系统上限可在单节点 8×B200 达到 1.6T 级别，展示了其设计有机遇覆盖更大的 MoE 模型区间
。

从单节点万亿模型，到单卡更大模型

单节点跑通万亿模型 RL 反过来也说了然同样的硬件预算就能够覆盖更大的模型区间
。

对万亿模型来说，这意味着正本可能必要多机协同的 RL 后训练，能够被压缩到单节点实现
。对中幼模型来说在 Orbit 的 adapter-first 框架下，单卡也有机遇 RL 微调从前必要多卡能力支持的模型，或者在一样模型规模下支持更长 response、更大 batch、更高 rollout throughput 和更频仍的更新
。

因而，Orbit 的价值并不只在于「让大模型变得可训练」，也在于让幼模型的 RL 后训练变得更容易
。

技术细节

Active-expert-chunked dequantization:对于 MoE 模型来说，每个词元只会激活部门 experts
。Orbit 动态地将 router 选中的 experts 分组成固定大幼的 batch，一时反量化后执行 grouped GEMM，并在推算实现后开释高精度权沉
。这样既能利用 grouped matrix multiplication 的吞吐，又能将一时显存峰值限度在较幼 chunk 内，预防大规模低精度 MoE 训练中的 OOM
。

Adapter-native async with double-buffered rollout:系统会为 adapter 守护版本号，并将新版本 adapter 流式写入 inactive slot；当前 active slot 持续服务 in-flight 要求，待新版本筹备好后再原子切换
。这样能够削减 rollout bubble
。在 Qwen3-4B + OFT、8×B200、TP=2 设置下，该设计带来了 1.42 倍的单步功夫优化和 44% 更高的 rollout throughput，同时 eval accuracy 维持不变
。

DeepSeek V4 有关优化：Orbit 支持 Full-CUDA graph decoding、DeepGEMM、DeepEP V2，并使用 tilelang / Triton / CUDA 实现高效 attention backward 和 fusion kernels
。凭据 adapter 训练的特点，Orbit 还设计了 bypass-base-weight-grad 的高效 GEMM backward 算子，预防为冻结 base 推算不用要的梯度
。

从前，大模型 RL 后训练往往意味着更复杂的多机系统：更多节点、更沉的权沉同步和更复杂的系统协同
。

Orbit 提供了另一条蹊径：冻结低精度 base，只训 adapter，让训练、rollout 和部署对齐，并把整模同步换成 adapter 同步
。这让万亿模型能够进入单节点训练区间，更幼模型也能在单卡或更有限的硬件上跑得更远
。

从 Kimi-K2.6 到 DeepSeek V4 Flash，再到 DeepSeek V4 Pro 1.6T，Orbit 展示和提供了一套面向大模型后训练的高效框架
。