GRPO訓練又有新的工具鏈可以用，這次來自于ModelScope魔搭社區(qū)。

隨著DeepSeek-R1的成功出圈，其使用的GRPO算法受到了業(yè)界的廣泛關(guān)注。GRPO訓練是來自于PPO算法的一種改進，旨在利用采樣原理對value model進行簡化，以增大訓練的穩(wěn)定性和可維護性。

目前圍繞R1模型的技術(shù)方案，社區(qū)也已經(jīng)有一些開源實現(xiàn)，比如來自Hugging Face的Open-R1，以及其他一些RL框架，包括veRL，OpenRLHF等等。然而，在GRPO訓練方面，大部分方案仍然面臨著諸多挑戰(zhàn)，包括訓練速度較低、集群配置復(fù)雜，以及對多模態(tài)擴展能力差、訓練后不好評測等等。

為了支持開源社區(qū)在GRPO這個方向上的探索，ModelScope魔搭社區(qū)圍繞MS-SWIFT訓練框架以及EvalScope評估框架，推出了相對完整高效的GRPO全鏈路解決方案，和社區(qū)分享。

GRPO訓練提速

GRPO訓練的耗時主要來自于采樣、訓練等幾個方面。其中，采樣本身是PPO算法的重要組成部分。尤其是GRPO在PPO的基礎(chǔ)上，使用采樣代替value model的方案，這使得在GRPO訓練中，采樣的耗時的占比，更是大大的增加了。而且GRPO中單query的采樣數(shù)（即group size），一般比較大（DeepSeekMath論文中為64個），高采樣頻率對于推理引擎的挑戰(zhàn)是巨大的。優(yōu)化采樣效率是提升GRPO整體訓練速度的核心所在。

基于這些特點，魔搭社區(qū)的SWIFT框架進行了有針對性的優(yōu)化：

多實例數(shù)據(jù)并行采樣

對于GRPO算法，單實例采樣往往無法滿足需求。團隊觀察發(fā)現(xiàn)，7B模型在訓練期間，單iter的采樣時間占比約為70%，這意味著應(yīng)該允許訓練資源根據(jù)實際情況，針對性的傾斜分配給采樣計算。

尤其在采樣量以及batch_size較大時，采樣耗時對訓練速度影響會更為顯著。因此，在SWIFT中對vLLM和LMDeploy進行了一定的patch（同時也與相關(guān)框架負責同學進行了討論，將會將相關(guān)實現(xiàn)在vLLM/LMDeploy上原生支持），支持在任意比例的訓練卡上拉起采樣實例。例如對于8卡訓練中，配置4張卡負責模型訓練，4張卡負責采樣；或者6張卡負責訓練，2張卡負責采樣。

下圖展示了在同樣的8卡訓練設(shè)置下，分別使用1卡/2卡部署推理引擎進行采樣，剩余卡負責訓練，vLLM/LMDeploy的采樣耗時和訓練耗時如下:

可以看到，基于LMDeploy分配2卡進行采樣時，訓練時長約為1卡采樣的87%。而vLLM2卡采樣時，時長為1卡采樣的78%。在這兩個例子中，通過更合理多卡數(shù)分配，對采樣資源進行一定傾斜，都達到了有效降低訓練所需時長都目的。

異步采樣

GRPO訓練中，采樣和模型訓練需要交替進行，即訓練時采樣卡閑置，采樣時訓練卡閑置。對于這個問題，不同的框架給出了不同的解決方案。

例如veRL允許將采樣和訓練部署在同一GPU上，在不同階段讓不同的權(quán)重offload到CPU中；或者針對LLM的不同Layer、不同Tensor進行異構(gòu)式切分，在加載權(quán)重時不必all_gather（而是部分weights進行g(shù)ather并同步），使訓練模型和采樣模型的效率達到最高。然而在中小模型的體量上，這樣的切分未必是最優(yōu)的。

因為隨著模型尺寸和batch_size增大，采樣、訓練的耗時占比會有本質(zhì)差別。對此SWIFT采用了不一樣的技術(shù)路線，即異步采樣(replay buffer)，其原理是在訓練時同時進行采樣，采樣結(jié)果用于下一iter的模型訓練。由于采樣使用的是old policy model，因此訓練過程需要額外增加對于logits差異的CLIP。由于old policy model和policy model僅相差一個iter，因此其訓練穩(wěn)定性幾乎沒有下降。二者唯一需要等待（或者stop the world）的過程是權(quán)重加載。

同樣訓練設(shè)置下的實驗測試表明，在單卡部署LMDeploy的情況下，異步采樣的訓練時間約為同步采樣的2/3。

模型placement

SWIFT除了支持上述訓練和rollout使用兩個資源組進行異步訓采流程之外，也支持二者共用同一資源組。即，在actor模型訓練時，vLLM將開啟sleep模式以減少顯存占用。

這兩種模式的架構(gòu)圖如下：

并且，SWIFT也支持vLLM的tensor_parallel(MP)模式。

LMDeploy推理框架支持

LMDeploy是來自于上海浦江實驗室的優(yōu)秀推理加速框架。該框架不僅支持了純文本和多模態(tài)模型的推理加速，并且自研了基于FasterTransformer實現(xiàn)的Turbomind推理加速引擎。在推理速度上，LMDeploy相較vLLM在一眾模型上速度有顯著的提升。對Qwen2.5-7B-Instruct模型進行實驗測試，具體配置如下：使用AI-MO/NuminaMath-TIR數(shù)據(jù)集，批量大小設(shè)置為7，每條query采樣24條結(jié)果，訓練50個steps。以下是vLLM框架和LMDeploy框架在相同條件下的推理時長對比。

可以看到使用LMDeploy作為采樣的推理引擎，在整體的訓練速度上從44分/50steps加速到37分/50steps，加速比大約為16%。

注：最后50steps的訓練耗時包括了保存模型權(quán)重，測試集評測

SWIFT框架在TRL框架以及vLLM采樣的基礎(chǔ)上，額外引入了LMDeploy采樣的支持。得益于其推理速度和權(quán)重加載速度，可以做到整體采樣耗時只有基礎(chǔ)實現(xiàn)的70%。

多輪更新

多輪更新的核心思想是：讓一次采樣得到的數(shù)據(jù)可以被多次使用。通過這種方式，可以減少采樣的頻率，從而讓采樣和訓練的資源分配更加均衡。

通過設(shè)置參數(shù)num_iterations, 可設(shè)置每輪采樣數(shù)據(jù)的迭代更新輪數(shù)，增大該參數(shù)值可以多次利用采樣數(shù)據(jù)，緩解采樣過程對訓練的速度影響，從而提高訓練速度。在該值設(shè)置不太大（例如小于等于4）的情況下，基本不會對模型訓練效果有不良影響。這里的更新輪次對應(yīng)論文中的mu值。

多輪更新是TRL庫提供的機制，發(fā)現(xiàn)該機制和團隊提供的其他機制結(jié)合起來有更好的加速效果。

基于1卡部署LMDeploy的設(shè)置下，對比num_iterations從1-4的訓練時間，下面給出了完整的實驗結(jié)果：

可以看到，在設(shè)置多輪更新輪次為4時（mu=4），整體訓練耗時約為單輪更新的一半。

綜合測試

針對八卡環(huán)境的SWIFT、veRL和trl框架的訓練效率進行了對比。在實驗設(shè)置中整合了前文提到的多種訓練加速技術(shù)，并選用LMDeploy作為推理引擎。

具體配置上，采用雙卡進行推理采樣，結(jié)合異步采樣策略，并將多輪更新輪次設(shè)定為4輪。同時，為了更好模擬真實訓練場景，將batch_size調(diào)整為48（每輪6個query，梯度累計步數(shù)為 8），group size設(shè)置為24，基于Qwen2.5-7B-Instruct模型和AI-MO/NuminaMath-TIR數(shù)據(jù)集⁽¹⁾，對多框架的GRPO訓練速度進行了對比評測。

SWIFT：

veRL：

trl(mu=4):

trl(mu=1)

實驗結(jié)果表明，SWIFT框架的訓練耗時約為120秒/步，而veRL框架訓練耗時約為280秒/步，TRL框架在采用多步更新下約為144秒/步，而不采用多步更新則約為320秒/步。通過整合多種訓練加速技術(shù)，SWIFT框架在GRPO的中小集群訓練效率上實現(xiàn)了顯著提升。下圖展示了SWIFT框架下的訓練獎勵走勢，可以看出模型成功實現(xiàn)了獎勵值的提升。

多模態(tài)GRPO訓練

多模態(tài)GRPO訓練目前已經(jīng)有一些開源解決方案，例如R1-V，open-r1-multimodal等，都是基于Open-R1進行了簡單的擴展。

SWIFT框架目前已經(jīng)支持多模態(tài)模型（圖文、視頻、音頻）的GRPO訓練，只要在數(shù)據(jù)集中給定’images’/‘videos’/‘a(chǎn)udios’字段，GRPO會將多模態(tài)內(nèi)容輸入多模態(tài)模型中進行強化訓練。SWIFT目前在微調(diào)中支持的多模態(tài)模型近兩百個，這些模型均天然支持GRPO訓練。參考R1-V的任務(wù)設(shè)置，在多模態(tài)計數(shù)任務(wù)上進行了訓練，訓練數(shù)據(jù)集為CLEVR-70k-Counting⁽²⁾。訓練選取的獎勵函數(shù)一共有兩個，一個是 Deepseek-R1 中提到的格式獎勵函數(shù)，用于評估模型輸出格式的準確性；另一是自定義的準確性獎勵函數(shù)，用于計算模型輸出的計數(shù)是否與真值一致，目前兩個獎勵函數(shù)都已經(jīng)定義在SWIFT框架中，通過—reward_funcs external_r1v_acc format參數(shù)指定。
選取Qwen2.5-VL-3B-Instruct 作為基礎(chǔ)模型進行訓練，選取 instruct 而不是base模型的主要原因是可以更快地獲取 format reward。整體實驗在8卡 GPU 上完成。當前SWIFT GRPO訓練已支持多卡部署模型以加速rollout，因此設(shè)置num_infer_workers為2，進程數(shù)為6：即2卡vLLM部署采樣，6卡模型訓練。設(shè)置模型的最大輸出為1024，學習率設(shè)置為1e-6，其他參數(shù)設(shè)置詳見最佳實踐⁽³⁾。

實驗結(jié)果如下圖所示：

模型訓練了500個epoch已經(jīng)基本收斂，準確性獎勵(圖中為ClevrCountORM)和格式獎勵（圖中為Format）在不斷增加，證明模型學習到了如何完成這一任務(wù)，最終任務(wù)成功率從初始的0.4攀升到1左右；在大概300step左右，reward_std已經(jīng)將到0.1左右，證明模型已經(jīng)基本收斂；completion length最終穩(wěn)定在60-80，模型學習到的任務(wù)推理范式是逐個列舉圖中的物體。
訓練后的模型輸出樣例如下：

user:
How many items are there in the image?
assistant:
<think> Counting the number of items in the image:\n1. Green matte sphere\n2. Large metallic yellow sphere\n3. Small metallic brown cube\n\nThere are three distinct objects in total.\n</think>\n<answer>3</answer>

Reasoning模型評測

EvalScope框架是魔搭社區(qū)上開源的大模型評測工具⁽⁴⁾，提供了完整的大模型全面評測框架。

不僅提供O1/R1等推理類模型的推理性能的評測能力，還支持評測結(jié)果的可視化，如下圖所示。

同時，團隊將MATH-500、GPQA-Diamond和AIME-2024三個數(shù)據(jù)集整合為一個數(shù)據(jù)集合，放置于modelscope/R1-Distill-Math-Test數(shù)據(jù)集⁽⁵⁾中，用戶可以直接使用該數(shù)據(jù)集的ID進行評測操作，具體使用流程參考：模型推理能力評測最佳實踐⁽⁶⁾。

除此之外，針對Reasoning模型在推理過程中存在Underthinking（思考不足，指模型在推理時頻繁思路跳轉(zhuǎn)，無法專注于正確的思路，導致錯誤答案）和Overthinking（過度思考，指模型簡單問題上生成過長思維鏈，浪費計算資源）的問題。

該框架實現(xiàn)了模型思考效率評測能力，可以評估如DeepSeek-R1-Distill-Qwen-7B⁽⁷⁾等推理模型的思考效率，如下圖所示，從token效率、思考長度、子思維鏈數(shù)量和準確率四個方面進行衡量，可以用來評測并優(yōu)化模型在短輸出中獲取正確答案的能力，具體使用流程參考教程：模型思考效率評測最佳實踐⁽⁸⁾。

效果

從簡單的數(shù)學任務(wù)Countdown Game出發(fā)，對SWIFT框架的GRPO有效性進行驗證，并給出了完整的實驗流程⁽⁹⁾。

Coundown Game 的任務(wù)目標是根據(jù)給定的幾個數(shù)字和加減乘除四種運算，得到目標數(shù)字，給出運算公式，因此在模型的輸入中給定了任務(wù)描述、已有數(shù)字和目標數(shù)字。訓練選取的獎勵函數(shù)一共有兩個，一個是標準的格式獎勵函數(shù),用于評估模型輸出格式的準確性；另一是自定義的準確性獎勵函數(shù)，用于評估模型輸出運算公式是否能得到目標值，目前兩個獎勵函數(shù)都已經(jīng)定義在SWIFT框架中，通過—reward_funcs external_countdown format參數(shù)指定。

選取Qwen2.5-3B-Instruct模型進行全參數(shù)GRPO訓練，具體參數(shù)設(shè)置詳見實驗流程。發(fā)現(xiàn)GRPO的訓練過程是比較不穩(wěn)定的，一個比較大的學習率和beta（KL散度的權(quán)重）雖然會是模型更快收斂，但往往出現(xiàn)梯度過大而訓練崩潰的情況。最終選取學習率為7e-5，beta為0.001。
實驗結(jié)果如下圖所示：

一共訓練了2000個step，各項曲線證明了SWIFT GRPO的有效性，從實驗結(jié)果中也能看到模型的收斂過程。

準確性獎勵（CoundownORM）和格式獎勵（Format）的穩(wěn)步上升證明模型逐步學習到了如何更好地完成這一任務(wù)，同時reward_std最終處在0.2-0.3左右也證明了模型仍有繼續(xù)上升的空間。

從completion_length的變化上能明確地看到模型思考方式的轉(zhuǎn)變。從初始的500左右降到200，然后又增長到300-400 tokens，能明確看到各個階段模型的思考方式。初始時，模型會直接從結(jié)果出發(fā)，反推需要的數(shù)字；然后，模型逐漸精簡了反推過程，顯著縮減了輸出場地；最后，模型發(fā)現(xiàn)完成任務(wù)最好的方式是列舉已有數(shù)字和運算的組合，并逐步運算，輸出范式基本收斂。最終的輸出樣例如下：

user:
"Using the numbers [71, 92, 80], create an equation that equals 59. You can use basic arithmetic operations (+, -, *, /) and each number can only be used once. Show your work in <think> </think> tags. And return the final equation and answer in <answer> </answer> tags, for example <answer> (1 + 2) / 3 = 1 </answer>."

assistant:
"<think>\nWe need to form an expression using the numbers 71, 92, and 80 which results in 59. Let's try some combinations:\n(92 - 80) + 71 = 83 + 71 = 154 (too high)\n(92 - 71) + 80 = 21 + 80 = 101 (too high)\n(92 - 80) + 71 = 12 + 71 = 83 (too high)\n(92 - 71) + 80 = 21 + 80 = 101 (too high)\n(92 + 80) - 71 = 172 - 71 = 101 (too high)\n(92 + 71) - 80 = 163 - 80 = 83 (too high)\n(80 + 71) - 92 = 151 - 92 = 59\n\nSo our solution is: (80 + 71) - 92 = 59</think>\n\n<answer>(80 + 71) - 92 = 59</answer>"

寫在最后

SWIFT正在添加vLLM的MP模式以適配更大體量模型的訓練，并希望在已有的優(yōu)秀框架的技術(shù)沉淀上以差異化技術(shù)的方式為開發(fā)者提供簡單快速的中、小集群RL訓練方案，給開發(fā)者提供新的技術(shù)選型。目前SWIFT已經(jīng)支持的訓練領(lǐng)域有數(shù)學、ReACT結(jié)構(gòu)的Agent、多模態(tài)VQA等，代碼領(lǐng)域的支持也在陸續(xù)更新中。對于Megatron結(jié)構(gòu)的模型SWIFT在支持中，不僅僅是GRPO訓練，SFT和PreTrain也將得到相應(yīng)支持。

評測領(lǐng)域，EvalScope后續(xù)會針對Reasoning models進一步探索模型的“思考效率”問題；另外，從目前的趨勢看，多模態(tài)Reasoning的范式也逐漸引起重視，團隊也會在該領(lǐng)域積極探索最新的評測基準、指標和方法。