Flash-Next 已有稳定更新信号，能力提升还未证实

同一测试集上，第 30、40、50 步分别答对 96、96、98 条；训练组仍有奖励差异，净增两条不足以确认模型学会了更多。

• 模型 Flash-Next MoE
• 权重 / 激活 4bit / 16bit
• 更新 LoRA adapter
• 评测 290 题 × 2 次
• 每题生成 32 次

量化基座上只更新少量 adapter 参数

MoE（混合专家模型）把计算分配给部分专家。实验将基座权重存为 4bit、激活用 16bit，称为 W4A16；LoRA 是附加在基座上的低秩可训练参数。本文只使用原 W4A16 生产线的学习证据，原生 INT4 和 prefetch 性能候选各有独立测试。

模型接受与 0.8B 主线相同的 290 题测试：130 道选择题、160 道排序题，每题两次，temperature=1、top_p=1、16k 上限。三次评测记录的数据、tokenizer、reward 与采样协议一致，仅 adapter 改变。本文已核验的记录未包含完整训练题池 manifest，因此不把其他实验线的 6,153 题规模直接填给本线。

训练每步有 32 个真实组、每组 32 条回答，共 1,024 条。组内相对奖励提供更新信号，KL reference 约束策略偏移。选择奖励和排序部分分使用已保存的 thinking 评分器。训练入口为 fn_train（原 W4A16 的训练前向实现），没有共享题目前缀；保存的是 adapter-only checkpoint，不含 optimizer、随机数或 rollout 队列状态。

三次测试几乎没有净变化

第 40→50 步有 25 条变对、23 条变错，净增 2/580（0.34 个百分点）。选择题 30.38% 仍低于该切片恒选 A 的 38.46%。第 50 步全部自然结束，无截断或解析失败；第 30 步有一条排序无法解析。缺少零步评测，不能据这三个点判断相对训练起点的变化。

真实训练组仍能产生 advantage

零正确组也可能因排序部分分不同而有 advantage。第 43–50 步的有效奖励组为 18–24/32，未持续归零。训练梯度非零、clip 和 KL 有限，支持管线仍有信号，尚不足以确认能力改善。

这条路径的大部分时间用于前反向

Infra 让 rollout 与训练异步重叠，但 trainer 对每条回答重算题目前缀。第 49、50 步每步训练前向约 604、606 万 token。

reference 已计入前反向；异步 rollout 的 1,372、1,276 秒不再加到整步。吞吐为 0.578、0.590 samples/s，MFU 未测量。这是原生产路径的计时，不能代表后续原生 INT4 或共享前缀候选的性能。

science 仍需要独立的学习证据

science 在这里要求条件敏感的判断、可靠解释和新实例迁移。本线尚未确认任务成绩上升，也未完成条件反转、等价改写和新实例测试。训练 token 已保存，但健康记录的文本摘要为空，本文未完成语义解码 review。

当前结论是量化 MoE 的 RL 更新与评测管线可运行，奖励差异仍存在。它还不能证明 science 的形成；性能探针和外部模型经工具发现的机制，均不能算作这个 policy 已学会的知识。