强化学习训练一直在精度与吞吐之间走钢丝。Miles团队这回直接亮出底牌——在Blackwell架构上跑通了两种原生低精度强化学习方案，不是仿真，不是模拟，是端到端可复现的完整流程。第一种是端到端MXFP8，把训练和推理全链路压到8位微缩放浮点；第二种更狠，对MoE专家权重施以逐token的NVFP4，在每次前向里动态裁切精度。这两种方案都被塞进8块B200 GPU，用Qwen3-30B-A3B做消融靶场，一次性扫过BF16以及另外五种低精度配置。
结果比许多人想象的更干脆。所有低精度路线的原始奖励曲线几乎与BF16参考线完全重合，没有任何肉眼可辨的乖离。换句话说，从MXFP8到NVFP4，Blackwell芯片原生支持的这些精简数值格式没有吃掉训练信号，反而把推理阶段的时间往下压了一截。报告里没有遮遮掩掩，量化合约的切分策略、每tensor缩放因子、甚至MoE路由时token级别的取舍逻辑都摊在桌上，整套配置精准到可以直接抄作业。对于正在苦等计算预算的大规模RL团队，这等于给了两条硬桥硬马的降本路径：要么全链路沉入MXFP8，要么在专家权重上启用NVFP4，两条路都不牺牲收敛质量。
这当然不是免费的午餐。NVFP4的逐token切换对访存模式有苛刻要求，MXFP8也要求整个管线严格对齐Blackwell的Tensor Core指令集。但Miles团队已经证明，当硬件原生支持你不必再用模拟精度自欺欺人，Blackwell上低精度强化学习的账，终于有人算清楚了。
