[논문리뷰] Stabilizing MoE Reinforcement Learning by Aligning Training and Inference Routers

2025년 10월 27일수정: 2025년 10월 27일

링크: 논문 PDF로 바로 열기

저자: Wenhan Ma†‡, Hailin Zhang†, Liang Zhao (Co-corresponding authors), Yudong Wang+‡, Zhifang Sui†, Yifan Song+‡, Fuli Luo§

핵심 연구 목표

본 논문은 Mixture-of-Experts (MoE) 모델의 강화 학습(RL) 훈련 과정에서 발생하는 불안정성, 특히 훈련-추론 간 라우팅 동작의 불일치로 인한 정책 KL 발산 및 훈련 붕괴 문제를 해결하는 것을 목표로 합니다. 이는 MoE 모델의 동적 라우팅 메커니즘이 훈련과 추론 단계 사이에 큰 정책 불일치를 유발하여 Catastrophic RL Collapse를 초래할 수 있기 때문입니다.

핵심 방법론

저자들은 이러한 문제를 해결하기 위해 **Rollout Routing Replay (R3)**라는 방법을 제안합니다. R3는 추론 엔진에서 생성된 시퀀스의 라우팅 분포(Iinfer)를 기록하고 이를 훈련 엔진에서 재사용하는 방식입니다. 이 과정에서 Iinfer는 훈련 시 라우터 로짓(Strain,i)에 소프트맥스를 적용하여 그레디언트 흐름을 보존하면서 라우팅 마스크로 사용되어 훈련과 추론 간의 라우팅 동작을 정렬합니다.

주요 결과

R3 적용 후 Qwen3-30B-A3B (MoE) 모델의 훈련-추론 KL 발산이 1.535×10^-3에서 7.5×10^-4로 크게 감소하여, Dense 모델의 6.4×10^-4와 유사한 수준에 도달했습니다. 또한, 큰 확률 불일치를 보이는 토큰의 비율이 약 10배 감소했습니다. 수학적 추론 태스크에서 R3는 기존 GSPO 및 TIS보다 안정성과 성능을 향상시켰으며, 특히 GRPO+R3는 SWE 벤치마크 태스크에서 Pass@1 38.6을 달성하여 GRPO 단독 대비 6.8 포인트 높은 성능을 보여주며 훈련 붕괴를 방지했습니다.

AI 실무자를 위한 시사점

R3는 MoE 기반 LLM의 RL 훈련 시 발생하는 고질적인 훈련-추론 불일치 문제에 대한 효과적이고 실용적인 해결책을 제시합니다. 라우팅 마스크 캐싱과 결합하여 멀티턴 대화 시스템 등 복잡한 에이전트 시나리오에서도 추가적인 계산 오버헤드 없이 안정적인 훈련을 가능하게 합니다. AI/ML 엔지니어는 R3를 통해 MoE 모델의 확장성을 유지하면서도 RL 기반 파인튜닝의 안정성과 성능을 크게 향상시킬 수 있을 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.