跳到主要内容

Slime Rl Training

使用 slime（Megatron+SGLang 框架）进行 LLM RL（强化学习）后训练的指导。适用于训练 GLM 模型、实现自定义数据生成工作流，或需要 Megatron-LM 紧密集成以进行 RL 扩展的场景。

Skill 元数据​

来源可选 — 通过 aigenlabs skills install official/mlops/slime 安装
路径optional-skills/mlops/slime
版本1.0.0
作者Orchestra Research
许可证MIT
依赖sglang-router>=0.2.3, ray, torch>=2.0.0, transformers>=4.40.0
平台linux, macos
标签Reinforcement Learning, Megatron-LM, SGLang, GRPO, Post-Training, GLM

参考：完整 SKILL.md​

信息

以下是 AigenLabs 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。

slime：面向 RL 扩展的 LLM 后训练框架

slime 是清华大学 THUDM 团队开发的 LLM 后训练框架，为 GLM-4.5、GLM-4.6 和 GLM-4.7 提供支持。它将 Megatron-LM（用于训练）与 SGLang（用于高吞吐量 rollout 生成）相连接。

何时使用 slime​

在以下情况下选择 slime：

  • 需要 Megatron-LM 原生训练配合 SGLang 推理
  • 需要带有灵活数据缓冲区的自定义数据生成工作流
  • 训练 GLM、Qwen3、DeepSeek V3 或 Llama 3 模型
  • 需要具有生产级支持（Z.ai）的研究级框架

在以下情况下考虑替代方案：

  • 需要企业级稳定性功能 → 使用 miles
  • 需要灵活的后端切换 → 使用 verl
  • 需要 PyTorch 原生抽象 → 使用 torchforge

核心特性​

  • 训练：Megatron-LM，支持完整并行（TP、PP、DP、SP）
  • Rollout：基于 SGLang 的高吞吐量生成，带 router
  • 数据缓冲区：灵活的 prompt 管理与样本存储
  • 模型：GLM-4.x、Qwen3、DeepSeek V3/R1、Llama 3

架构概览​

┌─────────────────────────────────────────────────────────┐
│                    Data Buffer                          │
│ - Prompt initialization and management                  │
│ - Custom data generation and filtering                  │
│ - Rollout sample storage                                │
└─────────────┬───────────────────────────┬───────────────┘
              │                           │
┌─────────────▼───────────┐ ┌─────────────▼───────────────┐
│ Training (Megatron-LM)  │ │ Rollout (SGLang + Router)   │
│ - Actor model training  │ │ - Response generation       │
│ - Critic (optional)     │ │ - Reward/verifier output    │
│ - Weight sync to rollout│ │ - Multi-turn support        │
└─────────────────────────┘ └─────────────────────────────┘

安装​

# 推荐：Docker
docker pull slimerl/slime:latest
docker run --rm --gpus all --ipc=host --shm-size=16g \
  -it slimerl/slime:latest /bin/bash

# 容器内
cd /root/slime && pip install -e . --no-deps

从源码安装​

git clone https://github.com/THUDM/slime.git
cd slime
pip install -r requirements.txt
pip install -e .

快速开始：GRPO 训练​

# 加载模型配置
source scripts/models/qwen3-4B.sh

# 启动训练
python train.py \
    --actor-num-nodes 1 \
    --actor-num-gpus-per-node 4 \
    --rollout-num-gpus 4 \
    --advantage-estimator grpo \
    --use-kl-loss --kl-loss-coef 0.001 \
    --rollout-batch-size 32 \
    --n-samples-per-prompt 8 \
    --global-batch-size 256 \
    --num-rollout 3000 \
    --prompt-data /path/to/data.jsonl \
    ${MODEL_ARGS[@]} ${CKPT_ARGS[@]}

工作流 1：标准 GRPO 训练​

使用此工作流通过组相对优势（group-relative advantages）训练推理模型。

前置条件清单​

  • Docker 环境，或已安装 Megatron-LM + SGLang
  • 模型检查点（HuggingFace 或 Megatron 格式）
  • JSONL 格式的训练数据

第一步：准备数据​

# data.jsonl 格式
{"prompt": "What is 2 + 2?", "label": "4"}
{"prompt": "Solve: 3x = 12", "label": "x = 4"}

或使用对话格式：

{
    "prompt": [
        {"role": "system", "content": "You are a math tutor."},
        {"role": "user", "content": "What is 15 + 27?"}
    ],
    "label": "42"
}

第二步：配置模型​

选择预配置的模型脚本：

# 列出可用模型
ls scripts/models/
# glm4-9B.sh, qwen3-4B.sh, qwen3-30B-A3B.sh, deepseek-v3.sh, llama3-8B.sh, ...

# 加载你的模型
source scripts/models/qwen3-4B.sh

第三步：启动训练​

python train.py \
    --actor-num-nodes 1 \
    --actor-num-gpus-per-node 8 \
    --rollout-num-gpus 8 \
    --advantage-estimator grpo \
    --use-kl-loss \
    --kl-loss-coef 0.001 \
    --prompt-data /path/to/train.jsonl \
    --input-key prompt \
    --label-key label \
    --apply-chat-template \
    --rollout-batch-size 32 \
    --n-samples-per-prompt 8 \
    --global-batch-size 256 \
    --num-rollout 3000 \
    --save-interval 100 \
    --eval-interval 50 \
    ${MODEL_ARGS[@]}

第四步：监控训练​

  • 查看 TensorBoard：tensorboard --logdir outputs/
  • 确认奖励曲线持续上升
  • 监控各节点 GPU 利用率

工作流 2：异步训练​

使用异步模式通过重叠 rollout 与训练来提高吞吐量。

何时使用异步模式​

  • 大型模型生成时间较长
  • 同步模式下 GPU 空闲时间较多
  • 有足够内存用于缓冲

启动异步训练​

python train_async.py \
    --actor-num-nodes 1 \
    --actor-num-gpus-per-node 8 \
    --rollout-num-gpus 8 \
    --advantage-estimator grpo \
    --async-buffer-size 4 \
    --prompt-data /path/to/train.jsonl \
    ${MODEL_ARGS[@]}

异步专用参数​

--async-buffer-size 4        # 缓冲的 rollout 数量
--update-weights-interval 2  # 每 N 次 rollout 同步一次权重

工作流 3：多轮 Agentic 训练​

使用此工作流训练具备工具调用或多步推理能力的 agent。

前置条件​

  • 用于多轮逻辑的自定义 generate 函数
  • 工具/环境接口

第一步：定义自定义 Generate 函数​

# custom_generate.py
async def custom_generate(args, samples, evaluation=False):
    """带工具调用的多轮生成。"""
    for sample in samples:
        conversation = sample.prompt

        for turn in range(args.max_turns):
            # 生成响应
            response = await generate_single(conversation)

            # 检查工具调用
            tool_call = extract_tool_call(response)
            if tool_call:
                tool_result = execute_tool(tool_call)
                conversation.append({"role": "assistant", "content": response})
                conversation.append({"role": "tool", "content": tool_result})
            else:
                break

        sample.response = response
        sample.reward = compute_reward(sample)

    return samples

第二步：使用自定义函数启动​

python train.py \
    --custom-generate-function-path custom_generate.py \
    --max-turns 5 \
    --prompt-data /path/to/agent_data.jsonl \
    ${MODEL_ARGS[@]}

完整的多轮搜索示例请参见 examples/search-r1/。

配置参考​

三类参数​

slime 使用三种类型的参数：

1. Megatron 参数（直接传入）：

--tensor-model-parallel-size 2
--pipeline-model-parallel-size 1
--num-layers 32
--hidden-size 4096

2. SGLang 参数（以 --sglang- 为前缀）：

--sglang-mem-fraction-static 0.8
--sglang-context-length 8192
--sglang-log-level INFO

3. slime 参数：

# 资源分配
--actor-num-nodes 1
--actor-num-gpus-per-node 8
--rollout-num-gpus 8
--colocate  # 训练与推理共享 GPU

# 数据
--prompt-data /path/to/data.jsonl
--input-key prompt
--label-key label

# 训练循环
--num-rollout 3000
--rollout-batch-size 32
--n-samples-per-prompt 8
--global-batch-size 256

# 算法
--advantage-estimator grpo  # 或：gspo, ppo, reinforce_plus_plus
--use-kl-loss
--kl-loss-coef 0.001

关键约束​

rollout_batch_size × n_samples_per_prompt = global_batch_size × num_steps_per_rollout

示例：32 × 8 = 256 × 1

数据缓冲区系统​

slime 的数据缓冲区支持灵活的数据管理：

基础数据源​

class RolloutDataSource:
    def get_samples(self, num_samples):
        """从数据集中获取 prompt。"""
        return self.dataset.sample(num_samples)

    def add_samples(self, samples):
        """生成后调用（默认为空操作）。"""
        pass

带缓冲区的数据源（离线策略）​

class RolloutDataSourceWithBuffer(RolloutDataSource):
    def __init__(self):
        self.buffer = []

    def add_samples(self, samples):
        """存储已生成的样本以供复用。"""
        self.buffer.extend(samples)

    def buffer_filter(self, args, buffer, num_samples):
        """自定义选择逻辑（优先级、分层等）。"""
        return select_best(buffer, num_samples)

常见问题与解决方案​

问题：SGLang 引擎崩溃​

现象：推理引擎在训练中途退出

解决方案：

# 启用容错
--use-fault-tolerance

# 增加内存分配
--sglang-mem-fraction-static 0.85

# 减小批大小
--rollout-batch-size 16

问题：权重同步超时​

现象：rollout 后训练挂起

解决方案：

# 增大同步间隔
--update-weights-interval 5

# 使用 colocate 模式（无网络传输）
--colocate

问题：训练时 OOM​

现象：反向传播时 CUDA OOM

解决方案：

# 启用梯度检查点
--recompute-activations

# 减小 micro-batch 大小
--micro-batch-size 1

# 启用序列并行
--sequence-parallel

问题：数据加载缓慢​

现象：数据获取期间 GPU 空闲

解决方案：

# 增加数据 worker 数量
--num-data-workers 4

# 使用流式数据集
--streaming-data

支持的模型​

模型系列配置
GLMGLM-4.5、GLM-4.6、GLM-4.7、GLM-Z1-9B
QwenQwen3（4B、8B、30B-A3B）、Qwen3-MoE、Qwen2.5
DeepSeekV3、V3.1、R1
LlamaLlama 3（8B、70B）
其他Kimi K2、Moonlight-16B

每个模型在 scripts/models/ 中均有预配置脚本。

进阶主题​

Co-location 模式​

训练与推理共享 GPU 以减少内存占用：

python train.py \
    --colocate \
    --actor-num-gpus-per-node 8 \
    --sglang-mem-fraction-static 0.4 \
    ${MODEL_ARGS[@]}

自定义奖励模型​

# custom_rm.py
class CustomRewardModel:
    def __init__(self, model_path):
        self.model = load_model(model_path)

    def compute_reward(self, prompts, responses):
        inputs = self.tokenize(prompts, responses)
        scores = self.model(inputs)
        return scores.tolist()
--custom-rm-path custom_rm.py

多任务评估​

--eval-prompt-data aime /path/to/aime.jsonl \
--eval-prompt-data gsm8k /path/to/gsm8k.jsonl \
--n-samples-per-eval-prompt 16

资源​