如何将Llama-3接入verl？实操经验分享

1. 引言：为何选择 verl 进行 LLM 后训练

大型语言模型（LLM）在完成预训练后，通常需要通过后训练（post-training）进一步适配特定任务或行为目标。这一阶段主要包括监督微调（SFT）和强化学习人类反馈（RLHF 或其变体），是实现模型对齐的关键环节。

当前主流的 post-training 框架包括trl、LLaMA-Factory和verl。其中，verl是由字节跳动火山引擎团队开源的一个高效、灵活且面向生产环境的强化学习训练框架，专为大模型后训练设计，并作为 HybridFlow 论文的开源实现，具备显著优势：

• 支持多样化的 RL 算法（如 PPO、GRPO）
• 与 PyTorch FSDP、Megatron-LM、vLLM 等现代分布式框架无缝集成
• 提供模块化 API，易于扩展和定制
• 具备高效的 3D-HybridEngine 实现，优化通信与内存使用
• 原生支持 HuggingFace 模型生态

本文将重点介绍如何将Llama-3 系列模型成功接入 verl 框架，完成基于 GRPO 的强化学习训练流程，涵盖环境配置、参数调整、自定义奖励函数及模型导出等关键步骤，提供可落地的工程实践指南。

2. 环境准备与 verl 安装验证

2.1 安装 verl 及依赖项

首先，建议从源码安装 verl，以便后续进行代码修改和调试：

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

为了确保 Llama-3 能够顺利加载并运行，需安装以下关键依赖包（推荐版本）：

torch==2.4.0+cu124 transformers==4.47.1 accelerate==0.33.0 peft==0.14.0 vllm==0.5.4 flash-attn==2.5.9.post1 ray==2.42.1 omegaconf==2.3.0 hydra-core==1.3.2 datasets==2.20.0 wandb==0.16.3

注意：若使用 vLLM 进行推理加速，请提前设置环境变量：

bash export VLLM_ATTENTION_BACKEND=XFORMERS

2.2 验证安装是否成功

进入 Python 环境执行以下命令：

import verl print(verl.__version__)

若能正常输出版本号（如0.1.0），则说明安装成功。

3. 将 Llama-3 接入 verl 的核心配置

3.1 数据格式与 tokenizer 处理

Llama-3 使用特殊的 chat template（<|begin_of_sentence|>等特殊 token），因此必须正确配置 tokenizer 行为。

修改 tokenizer 初始化逻辑

在 verl 中，默认 tokenizer 加载方式可能无法识别 Llama-3 的模板。建议在配置文件中显式指定：

actor_rollout_ref: model: path: meta-llama/Meta-Llama-3-8B-Instruct trust_remote_code: True override_config: {} enable_gradient_checkpointing: True use_remove_padding: False

同时，在数据处理部分启用 chat template 自动填充：

data: chat_template: "llama-3" prompt_key: "prompt" max_prompt_length: 512 max_response_length: 1024

若 verl 不原生支持"llama-3"模板，可在verl/data/utils.py中添加如下注册逻辑：

from transformers import AutoTokenizer def get_chat_template(tokenizer_name_or_path): if "llama-3" in tokenizer_name_or_path.lower(): return { "chat_template": "{% for message in messages %}{{'<|start_header_id|>' + message['role'] + '<|end_header_id|>\n\n' + message['content'] + '<|eot_id|>'}}{% endfor %}{% if add_generation_prompt %}{{ '<|start_header_id|>assistant<|end_header_id|>\n\n' }}{% endif %}" } return None

然后在数据加载器中动态注入该模板。

3.2 配置 GRPO 训练脚本（以 Llama-3-8B 为例）

创建grpo_llama3.yaml配置文件，内容如下：

data: train_files: ~/data/gsm8k/train.parquet val_files: ~/data/gsm8k/test.parquet prompt_key: prompt max_prompt_length: 512 max_response_length: 1024 train_batch_size: 1024 val_batch_size: 1312 shuffle: true actor_rollout_ref: hybrid_engine: true model: path: meta-llama/Meta-Llama-3-8B-Instruct trust_remote_code: true enable_gradient_checkpointing: true use_remove_padding: false actor: strategy: fsdp ppo_mini_batch_size: 256 ppo_micro_batch_size_per_gpu: 1 ppo_max_token_len_per_gpu: 16384 grad_clip: 1.0 clip_ratio: 0.2 entropy_coeff: 0.001 use_kl_loss: true kl_loss_coef: 0.001 kl_loss_type: low_var_kl ppo_epochs: 1 optim: lr: 5e-7 lr_warmup_steps_ratio: 0.1 warmup_style: cosine fsdp_config: wrap_policy: min_num_params: 0 param_offload: false optimizer_offload: false ref: fsdp_config: param_offload: false wrap_policy: min_num_params: 0 rollout: name: vllm temperature: 0.7 top_p: 0.95 dtype: bfloat16 gpu_memory_utilization: 0.8 enforce_eager: true free_cache_engine: true load_format: dummy_dtensor tensor_model_parallel_size: 2 max_num_batched_tokens: 8192 max_num_seqs: 1024 n: 8 # GRPO requires multiple samples per prompt enable_chunked_prefill: true critic: null # GRPO does not require critic reward_model: enable: false algorithm: gamma: 1.0 lam: 1.0 adv_estimator: grpo kl_penalty: kl kl_ctrl: type: fixed kl_coef: 0.001 trainer: total_epochs: 3 project_name: llama3-grpo-finetune experiment_name: gsm8k-v1 logger: ['console'] nnodes: 1 n_gpus_per_node: 8 default_local_dir: ./checkpoints/llama3-grpo save_freq: 100 resume_mode: auto

4. 自定义 Reward 函数：提升训练可控性

4.1 实现 CustomRewardManager

由于 GRPO 不依赖外部 reward model，我们可以通过编写自定义奖励管理器来控制生成质量。

在verl/workers/reward_manager/custom_reward.py中新增：

from verl import DataProto import torch class LengthBonusRewardManager: """鼓励更长、结构完整的回答""" def __init__(self, tokenizer, num_examine=5) -> None: self.tokenizer = tokenizer self.num_examine = num_examine self.print_counter = 0 def __call__(self, data: DataProto): reward_tensor = torch.zeros_like(data.batch['responses'], dtype=torch.float32) for i in range(len(data)): if self.print_counter < self.num_examine: print(f"Sample {i}: Prompt and Response:") data_item = data[i] prompt_ids = data_item.batch['prompts'] response_ids = data_item.batch['responses'] valid_prompt_len = data_item.batch['attention_mask'][:prompt_ids.shape[-1]].sum().item() valid_response_len = data_item.batch['attention_mask'][prompt_ids.shape[-1]:].sum().item() prompt_str = self.tokenizer.decode(prompt_ids[-valid_prompt_len:], skip_special_tokens=True) response_str = self.tokenizer.decode(response_ids[:valid_response_len], skip_special_tokens=True) if self.print_counter < self.num_examine: print("Prompt:", prompt_str) print("Response:", response_str) self.print_counter += 1 # 奖励长度 + 结尾标点存在性 length_score = len(response_str.split()) * 0.1 # 按词数打分 ends_with_punct = 1.0 if response_str.strip()[-1] in '.?!' else 0.0 final_score = length_score + ends_with_punct reward_tensor[i, valid_response_len - 1] = final_score return reward_tensor

并在verl/workers/reward_manager/__init__.py中注册：

from .custom_reward import LengthBonusRewardManager __all__ = ['NaiveRewardManager', 'LengthBonusRewardManager']

4.2 在配置中启用自定义 Reward

修改主配置文件中的reward_manager字段：

reward_manager: custom custom_reward_class: LengthBonusRewardManager

并在main_ppo.py中增加导入逻辑：

if config.reward_manager == 'custom': from verl.workers.reward_manager.custom_reward import LengthBonusRewardManager reward_manager = LengthBonusRewardManager(tokenizer=tokenizer, num_examine=5) else: reward_manager = NaiveRewardManager(tokenizer=tokenizer, rm_model=None)

5. 启动训练与常见问题解决

5.1 启动命令

set -x export VLLM_ATTENTION_BACKEND=XFORMERS CONFIG_PATH="./configs/grpo_llama3.yaml" python3 -m verl.trainer.main_ppo --config_path=$CONFIG_PATH

5.2 常见问题与解决方案

❌ 问题1：vLLM 加载 Llama-3 报错“unknown model type”

原因：vLLM 版本过低不支持 Llama-3 架构。

解决方案：升级至 vLLM >= 0.5.4，并确认 HF 模型路径正确。

❌ 问题2：FSDP 训练时 OOM

原因：Llama-3-8B 显存占用高，batch size 设置过大。

解决方案： - 降低ppo_micro_batch_size_per_gpu至 1 - 开启enable_gradient_checkpointing- 使用bfloat16精度 - 调整gpu_memory_utilization: 0.7

❌ 问题3：生成结果重复或陷入循环

原因：temperature 设置过低或 top_p 过小。

建议参数：

rollout: temperature: 0.7~1.0 top_p: 0.9~0.95 n: 8 # 提高多样性采样

6. 模型保存与 HuggingFace 格式转换

6.1 检查点结构说明

verl 默认保存的是包含优化器状态的完整 checkpoint，路径结构如下：

checkpoints/ └── llama3-grpo/ └── global_step_100/ └── actor/ ├── model_world_size_8_rank_0.pt ├── model_world_size_8_rank_1.pt ...

6.2 转换为 HuggingFace 可加载格式

使用以下脚本将 FSDP 分片权重合并为标准 HF 格式：

#!/usr/bin/env python import torch from collections import defaultdict from transformers import AutoConfig, AutoModelForCausalLM, AutoTokenizer def convert_fsdp_to_hf(fsdp_ckpt_dir, hf_model_path, output_dir, step=100, world_size=8): state_dict = defaultdict(list) ckpt_path = f"{fsdp_ckpt_dir}/global_step_{step}/actor" for rank in range(world_size): file_path = f"{ckpt_path}/model_world_size_{world_size}_rank_{rank}.pt" print(f"Loading rank {rank}...") shard = torch.load(file_path) for k, v in shard.items(): state_dict[k].append(v.to_local()) merged_state_dict = {} for k, v_list in state_dict.items(): merged_state_dict[k] = torch.cat(v_list, dim=0) config = AutoConfig.from_pretrained(hf_model_path) model = AutoModelForCausalLM.from_config(config) model.load_state_dict(merged_state_dict) model.save_pretrained(output_dir, max_shard_size="10GB") tokenizer = AutoTokenizer.from_pretrained(hf_model_path) tokenizer.save_pretrained(output_dir) print(f"Model saved to {output_dir}") if __name__ == "__main__": convert_fsdp_to_hf( fsdp_ckpt_dir="./checkpoints", hf_model_path="meta-llama/Meta-Llama-3-8B-Instruct", output_dir="./hf_checkpoints/llama3-grpo-step100", step=100, world_size=8 )

转换完成后即可用标准方式加载：

from transformers import pipeline pipe = pipeline( "text-generation", model="./hf_checkpoints/llama3-grpo-step100", device_map="auto", torch_dtype=torch.bfloat16 )

7. 总结

本文系统介绍了如何将Llama-3 系列模型成功接入verl框架，完成基于 GRPO 的强化学习训练全流程。主要内容包括：

1. 环境搭建：正确安装 verl 及其依赖，特别是 vLLM 和 FlashAttention；
2. 模型接入：通过配置文件指定 Llama-3 路径，并处理其特有的 chat template；
3. 训练配置：合理设置 GRPO 参数，尤其是n采样数、KL 正则系数等；
4. 自定义奖励：实现CustomRewardManager来引导模型生成更高质量响应；
5. 问题排查：针对 OOM、生成异常等问题提供实用调参建议；
6. 模型导出：将 verl 的分布式 checkpoint 转换为 HuggingFace 标准格式，便于部署。

通过上述实践，开发者可以充分利用 verl 的高性能与灵活性，高效完成 Llama-3 等先进大模型的对齐训练任务，为实际应用场景提供强有力的支持。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。