行业动态AWS Machine Learning Blog00:29
在Amazon EKS上使用EFA和DeepEP扩展MoE强化学习，吞吐量提升40%
Scaling MoE reinforcement learning on Amazon EKS with EFA and DeepEP with 40% more throughput
专为大规模RLHF与GRPO团队设计，EKS配EFA才换来这40%吞吐提升
判断
做 MoE 强化学习训练的 Infra 负责人，现在不该把「EKS + EFA」写进下季度采购条款，而要先在自家 GRPO 任务上量一次 all-to-all 通信占比：那 40% 只在两者同时到位时才出现。
依据
AWS Machine Learning Blog 用一句标题给出结论：MoE 强化学习跑在 Amazon EKS 上，配 EFA（Elastic Fabric Adapter，把 GPU 机器直连、绕开 TCP/IP 栈的弹性网络适配器）和 DeepEP（DeepSeek 开源的 MoE 专家并行通信库），吞吐提升 40%。MoE（Mixture-of-Experts，混合专家）RL 的瓶颈常常不在算力而在专家并行的 all-to-all 通信：EFA 提供 RDMA 通路、DeepEP 负责压缩通信量、EKS 负责调度，三者缺一，标题里的 40% 就复现不出来。这也解释了策展句为什么强调「才换来」——换的是两件基础设施，不是一次框架升级。材料给到的可核对数字只有这一个 40%，没有基线吞吐、没有对比组、没有卡数。
没写清 材料没写基线吞吐、集群规模、GPU 型号和 DeepEP 版本号，所以这 40% 是相对谁、在多少卡上测出来的，都不能替它补。
下一步 等 AWS 放出基线配置，或自己复现：同一 GRPO 任务在不开 EFA 与只开 EFA 两种配置下各跑一次，看吞吐差是否仍为 40%。