Qwen团队新发了一篇论文：Stabilizing Reinforcement Learning with LLMs: Formulation and Practices以下为团队成员的介绍:“🧐理解大模型强化学习的“数学原理”大家好，和大家分享下我们关于理解LLM RL稳定性的新paper（ huggingface.co/papers/2512.01374）。主要内容如下：1. 我们从「一阶近似」这一简单直观的角度，formulate并解释了用token-level obj优化seq-level reward的合理性，并且指出近似成立需要最小化「训推diff」和「policy staleness」。2. 我们的formulation给出了principled解释，诸如IS correction、clipping、Routing Replay等稳定化技术，在原理上都在维持这个近似成立。3. 我们使用30B MoE模型进行大量实验（x00,000+ GPU hours，FP8 infer + BF16 train）证实了上述预测，同时探究了稳定RL训练的配方。特别地，我们证实了只要能够长期稳定训练，不同cold-start都会收敛到相似性能。我们坚信稳定性是scaling RL的关键所在！希望这个paper给大家带来新的insight和有用的recipe！”科技先锋官