NVIDIA 推出新的集合通訊函式 Reshard。強化學習每輪訓練後要把新權重搬到推論 GPU，這一步叫 refit；在 NVIDIA 的強化學習訓練框架 NeMo RL 上，refit 時間降到原來的 1/2.7 到 1/5.7，數字是 NVIDIA 自測。

概念插圖：一個大長方形黑框內左右各立一座黑色層架，左架標著 TRAINING，五層各放一疊平躺的薄板；右架標著 INFERENCE，層架上是一排排直立的板片，中間一層全黑。框的右上方有一條短線連到一個寫著 NVIDIA、旁邊有綠色圖示的標籤。兩座層架之間，一串畫有線條的白紙從左架上方呈弧形升到正上方中央的一大疊紙，再降到右架上方；弧線下方有一排五張畫有線條的紅紙橫跨兩架之間，標著 RESHARD，靠左架的一張平躺，越往右越直立。圖上印著：14.9→2.6秒 H100上搬權重，NVIDIA自測。

兆參數模型的強化學習，卡在訓練與推論 GPU 之間搬權重；NVIDIA 給了降法，比較對象只有自家舊做法。訓練 GPU 每隔幾步要把新權重搬到切法不同的推論 GPU，NVIDIA 寫這一步對最大的開放權重模型每次約 10 TB 通訊量。Reshard 直接把張量從訓練佈局搬到推論佈局，不先聚合整份參數再廣播。NVIDIA 自測：DGX H100 上 6,710 億參數的 DeepSeek V3，refit 從 14.9 秒降到 2.6 秒；GB200 上同一模型從 6.1 秒降到 2.3 秒，兩組硬體不同，不能把兩個倍數當同一效果。Reshard 的第一個實作放在 NVIDIA 的 nccl-extensions 開源倉庫，標為實驗性；NeMo RL 目前只有部分權重走這條新路。整輪強化學習省多少時間，文章沒給（NVIDIA 技術部落格，2026-11-06）。怎麼查的 →

出處與查證

這則刊在2026年11月7日的晨報，同一期還有 13 則。查證經過、引句核對與當天缺的資料，記在那一期的本日驗證。

引用這則

SecondSource（2026），〈NVIDIA 推出新的集合通訊函式 Reshard。強化學習每輪訓練後要把新權重搬到推論 GPU，這一步叫 refit；在 NVIDIA 的強化學習訓練框架 NeMo RL 上，refit 時間降到原來的 1/2.7 到 1/5.7，數字是 NVIDIA 自測。〉，https://secondsource.io/news/2026-11-07-4/，取用日期取用。