LLM 强化学习中，Rollout 占耗时的相当一大部分，长尾使最早完成 GPU 约 76% 时间空闲。通过大量数据，我们发现发现相邻 epoch 有大量的token 可匹配、因而结合历史推测解码与长度调度，提出 RhymeRL 系统。系统采用离线后缀树、奖励感知选枝、动态窗口、奇偶步互补及尾部迁移，解决在线索引开销、固定窗口无效验证和异常长样本失衡，并取得相比现有系统2.6x 的性能提升。

演讲提纲：

1. 背景：强化学习后训练时代，瓶颈在 Rollout
   • RL 已成为大模型对齐与推理增强的标准手段
   • 实测 Rollout 占训练耗时 84%–91%（math/code RLVR），随训练响应从 2K 增至 11K+ token
   • 批内长尾导致最早完成 GPU大量时间空转
2. 关键观察：相邻 epoch 的 Rollout 存在“相似性”
   • 基于真实轨迹分析：大量token可精确匹配上一 epoch
   • 响应长度排序稳定
3. 设计目标
   • 不依赖额外小模型，复用 RL 已付费生成的历史响应
   • 保留 one-step-off 算法边界，避免全异步的样本丢弃与范式改变
   • 离线建索引、在线零额外开销，避免检索回到关键路径
4. RhymeRL 的系统设计
   • HistoSpec：每个提示词一棵后缀树，O(m) 前缀查询；奖励感知选枝；类 AIMD 动态草稿窗口
   • HistoPipe：奇偶 step 长短互补调度；步内/跨步尾部迁移；两级 GPU 资源分配
   • 端到端闭环：响应、奖励、长度回写历史索引，先验随训练演进
5. 实施效果与结论
   • 端到端吞吐最高为（基线版本的）的 2.6 倍；HistoSpec 单步 Rollout 吞吐最高 1.86 倍

实践痛点： 

• 当前主要针对 math 和 code 进行比较深入的实践，更复杂动态的 agent RL 场景可能需求和问题不同。

前沿亮点：

1. 不依赖于传统 speculative decoding 中对小模型能力的依赖
2. 能够充分利用空闲算力提效

听众收益：

1. 了解当前强化学习在 Rollout 阶段 Infra 侧主要开销
2. 了解如何基于历史经验来优化当前的 Rollout