用 Verl 让强化学习飞起来：单卡直冲 80% 数学推理（保姆级流程）

只改几行配置，训练速度直接快 4-5 倍；1.5B 模型在 GSM8K 上从 49% 拉到 80%。这篇带你 打通VeRL 从 “环境配置->训练->评估” 的完整闭环，配图齐全、代码精简、上手即用。

项目完整教程及源码加入 赋范空间 免费领取,还有更多模型微调和agent课程等你来拿

为什么是 Verl？

• 针对大模型强化学习的生产级框架：训练用 PyTorch，推理用 vLLM，Ray 统一调度。
• 直接解决四大痛点：推理慢、显存紧、调度复杂、奖励设计难。无需自行造轮子。

Verl 的核心对比

• 传统方案把训练和推理都压在 PyTorch 上，推理占 70% 时间却不够快；Verl 把推理交给 vLLM，整体提速 4-6 倍。

整体架构与数据流

• 四层架构：数据引擎 → 推理引擎(vLLM) → 训练引擎(PyTorch) → 分布式协调(Ray)
• 简化数据流：读取 → 生成多回答 → 规则/模型打分 → 更新策略 → 评估保存

第1步：读取数据（Parquet）
第2步：推理节点生成回答（vLLM 4-6倍加速）
第3步：Reward 打分（规则或模型）
第4步：训练节点更新参数（PyTorch + FSDP）
第5步：验证评估与保存 Checkpoint

GRPO 是怎么把显存省出来的？

• 核心思想：同一问题生成多条回答，直接用“群体平均”替代 Critic 估值 → 少一个模型，省 30-40% 显存。
• 训练五步：Rollout → Reward → Advantage → Policy Update → Validation。

# 精简版 GRPO 损失（PPO 的简化）
def compute_grpo_loss(new_logprobs, old_logprobs, advantages):
    ratio = torch.exp(new_logprobs - old_logprobs)
    return (-ratio * advantages).mean()

# 奖励提取（GSM8K：#### 后是最终数字）
import re

def extract_solution(text):
    m = re.search(r"#### (\-?[0-9\.\,]+)", text)
    return m.group(1).replace(",", "") if m else None

三模型协作：为什么更快更稳？

• Actor（训练）：唯一更新的模型，负责学习策略。
• Rollout（推理）：定期从 Actor 同步参数，用 vLLM 快速批量生成。
• Reference（守门）：保持初始参数不变，提供 KL 约束，防跑偏。

环境与安装

这里仅为关键点，项目完整教程加入 赋范空间 免费领取,还有更多模型微调和agent课程等你来拿

• Conda 与 pip 使用国内镜像，创建 python=3.11 独立环境。
• 一键脚本安装 vLLM、SGLang、Megatron、FlashAttention 等依赖；pip install -e . 安装 verl 本体。
• 验证：import verl, torch, vllm 输出版本与 GPU 信息。

conda create -n verl python=3.11 -y \
  -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main \
  --override-channels
conda activate verl

git clone https://github.com/volcengine/verl.git && cd verl
bash scripts/install_vllm_sglang_mcore.sh
pip install -e .

数据准备（从 HF 到 Verl）

• 把 question/answer 转为 ChatML，强制加指令：Let's think step by step and output the final answer after "####".
• 从 answer 中提取 ground_truth（纯数字）用于规则打分。

# 切换算法只需一行，整体训练循环统一
from verl.trainer import GRPOTrainer, PPOTrainer
trainer = GRPOTrainer(config=config, actor_model=actor, rollout_model=rollout, ref_model=reference)
# trainer = PPOTrainer(...)  # 若需要 PPO
trainer.fit(train_data)

训练参数与启动（单卡 A800 示例）

• 批配置：BATCH_SIZE=128，ROLLOUT_N=2 → 每步 256 样本。
• 累积：MINI_BATCH=32，MICRO_BATCH=8 → 共 32 次累积，显存稳。
• 学习率：LR=5e-6，每 50 步验证与保存。

bash train_simple.sh
# vLLM 推理 256 回答仅需 2-3 分钟；PyTorch 原生要 10-12 分钟

验证评估（准确率差 20-30% 的“隐藏大坑”）

• 训练时是“问题 + 指令 + #### 输出”，验证也必须用同样的 Prompt；否则准确率直接掉到 50% 左右。
• 批量验证更快：batch=32 把 26 分钟压到 8 分钟。

# 验证核心：严格复用 test.parquet 里的 prompt
def evaluate_model(model_path, test_data_path):
    tok = AutoTokenizer.from_pretrained(model_path)
    mdl = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.float16, device_map="auto")
    df = pd.read_parquet(test_data_path)
    correct = 0
    for _, row in df.iterrows():
        prompt = row['prompt'][0]['content']
        gt = row['reward_model']['ground_truth']
        resp = mdl.generate(**tok(prompt, return_tensors="pt").to(mdl.device), max_new_tokens=512)
        pred = extract_solution(tok.decode(resp[0], skip_special_tokens=True))
        correct += int(pred == gt)
    return correct / len(df)

Checkpoint 转换与部署

• Verl 保存为 FSDP 分片，需转换到 HuggingFace 格式后再加载推理：

python convert_checkpoint.py \
  --input_dir ./outputs/checkpoints/step_50 \
  --output_dir ./outputs/converted/step_50 \
  --model_type qwen2

常见坑与快速优化

• OOM：减小 BATCH_SIZE，提高累积层次，GPU_MEM=0.2 给 Actor 更多显存。
• Loss 不降：学习率从 5e-6 微调到 1e-5/1e-6，检查 Reward 是否全 0。
• 训练慢：确认 vLLM 生效；降低 TEST_FREQ；必要时开启 FlashAttention。
• Prompt 不一致：这是命中率暴跌的首因，务必复用训练时模板与提取规则。

结语与获取方式

• 如果你想把 1.5B 模型在数学推理上从“会答”练到“会推理”，Verl 的混合架构与 GRPO 会是最省心的上车路径。

项目完整教程及源码加入 赋范空间 免费领取,还有更多模型微调和agent课程等你来拿