Исследователи NVIDIA представили метод ускорения обучения с подкреплением (RL) для больших языковых моделей за счёт использования низкой точности FP8. Этот подход позволяет сократить время обучения на 15-48% без потери качества моделей. Ключевая инновация — синхронизация масштабов квантования между этапами генерации и обучения, что решает проблему численных расхождений. Метод протестирован на моделях Llama 3.1 и Qwen3, демонстрируя практическую применимость для создания более быстрых и эффективных ИИ-агентов.