Miles v0.1：生产级 后训练

我们推出 Miles v0.1，这是一个适用于前沿 后训练 的全栈、生产就绪系统。基于 Slime 的简洁设计，Miles 围绕一个原则设计了强化学习 (RL) 训练循环的每个阶段：组件应该经过验证、简洁和可定制。 Miles 将准确性、效率、可靠性和可扩展性作为首要目标，旨在让研究人员和企业都能使用前沿规模的强化学习。本报告端到端地介绍了系统：基于 SGLang 构建的轨迹采样引擎、可选择两个后端（NVIDIA Megatron-LM 和 PyTorch FSDP）的训练器以及用于不同部署拓扑的三种权重同步传输。除了全参数 RL 之外，Miles 还支持 LoRA RL、同策略 蒸馏、监督 微调 和 严格同策略的采样—训练对齐，并将相同的架构扩展到扩散模型。我们以一个端到端案例研究作为结束语：在终端使用编码任务上，在 GLM-5.2 744B-A40B 模型上进行完全异步代理强化学习，在 64 个 NVIDIA GB300 GPU 上运行，前 30 个测量步骤的中位步骤时间为 263 秒。 Miles 在 https://github.com/radixark/miles 上开源，项目网站为 https://miles.radixark.com。