Slime大模型强化学习微调框架Skill slime-rl-training

---

name: slime-rl-training description: 提供使用 slime（一个 Megatron+SGLang 框架）进行 LLM 后训练的强化学习指导。适用于训练 GLM 模型、实现自定义数据生成工作流程或需要紧密集成 Megatron-LM 以扩展 RL 的场景。 version: 1.0.0 author: Orchestra Research license: MIT tags: [强化学习, Megatron-LM, SGLang, GRPO, 后训练, GLM] dependencies: [sglang-router>=0.2.3, ray, torch>=2.0.0, transformers>=4.40.0]

slime：用于 RL 扩展的 LLM 后训练框架

slime 是来自清华大学 THUDM 团队的 LLM 后训练框架，支持 GLM-4.5、GLM-4.6 和 GLM-4.7。它连接 Megatron-LM 进行训练和 SGLang 进行高吞吐量推理生成。

何时使用 slime

选择 slime 当您需要：

• 使用 SGLang 推理的原生 Megatron-LM 训练
• 具有灵活数据缓冲的自定义数据生成工作流程
• 训练 GLM、Qwen3、DeepSeek V3 或 Llama 3 模型
• 具有生产支持的研究级框架（Z.ai）

考虑替代方案当：

• 您需要企业级稳定性功能 → 使用 miles
• 您想要灵活的后端交换 → 使用 verl
• 您需要 PyTorch 原生抽象 → 使用 torchforge

关键特性

• 训练：Megatron-LM 支持全并行（TP、PP、DP、SP）
• 推理生成：基于 SGLang 的高吞吐量生成，带路由器
• 数据缓冲：灵活的提示管理和样本存储
• 模型：GLM-4.x、Qwen3、DeepSeek V3/R1、Llama 3

架构概述

┌─────────────────────────────────────────────────────────┐
│                    数据缓冲区                          │
│ - 提示初始化和管理                                    │
│ - 自定义数据生成和筛选                                │
│ - 推理生成样本存储                                    │
└─────────────┬───────────────────────────┬───────────────┘
              │                           │
┌─────────────▼───────────┐ ┌─────────────▼───────────────┐
│ 训练（Megatron-LM）      │ │ 推理生成（SGLang + 路由器） │
│ - 演员模型训练          │ │ - 响应生成                  │
│ - 评论员（可选）        │ │ - 奖励/验证器输出          │
│ - 权重同步到推理生成    │ │ - 多轮支持                  │
└─────────────────────────┘ └─────────────────────────────┘

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

从源代码安装

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

# 源模型配置
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[@]}

---

工作流程 1：标准 GRPO 训练

使用此工作流程训练具有组相对优势的推理模型。

先决条件清单

• [ ] 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

步骤 1：准备数据

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

或使用聊天格式：

{
    "prompt": [
        {"role": "system", "content": "你是一个数学导师。"},
        {"role": "user", "content": "15 + 27 是多少？"}
    ],
    "label": "42"
}

步骤 2：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, ...

# 源您的模型
source scripts/models/qwen3-4B.sh

步骤 3：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[@]}

步骤 4：监控训练

• [ ] 检查 TensorBoard：tensorboard --logdir outputs/
• [ ] 验证奖励曲线是否上升
• [ ] 监控节点间的 GPU 利用率

---

工作流程 2：异步训练

使用异步模式以提高吞吐量，通过重叠推理生成和训练。

何时使用异步

• 大模型生成时间长
• 同步模式下 GPU 空闲时间高
• 有足够内存进行缓冲

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[@]}

异步特定参数

--async-buffer-size 4        # 缓冲的推理生成数量
--update-weights-interval 2  # 每 N 次推理生成同步权重

---

工作流程 3：多轮智能体训练

使用此工作流程训练具有工具使用或多步推理的智能体。

先决条件

• [ ] 自定义生成函数用于多轮逻辑
• [ ] 工具/环境接口

步骤 1：定义自定义生成函数

# custom_generate.py
async def custom_generate(args, samples, evaluation=False):
    """多轮生成与工具调用。"""
    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

步骤 2：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[@]}

见 examples/search-r1/ 获取完整多轮搜索示例。

---

配置参考

三种参数类别

slime 使用三种类型的参数：

1. Megatron 参数（直接传递）：

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

2. SGLang 参数（前缀 --sglang-）：

--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  # 在训练/推理间共享 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

---

数据缓冲系统

slime 的数据缓冲系统支持灵活的数据管理：

基础数据源

class RolloutDataSource:
    def get_samples(self, num_samples):
        """从数据集获取提示。"""
        return self.dataset.sample(num_samples)

    def add_samples(self, samples):
        """生成后调用（默认无操作）。"""
        pass

缓冲数据源（离策略）

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

    def add_samples(self, samples):
        """存储生成的样本以供重用。"""
        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

症状：推理引擎在训练中途死亡

解决方案：

# 启用容错
--use-fault-tolerance

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

# 减小批量大小
--rollout-batch-size 16

问题：权重同步超时

症状：训练在推理生成后挂起

解决方案：

# 增加同步间隔
--update-weights-interval 5

# 使用共置模式（无网络传输）
--colocate

问题：训练期间 OOM

症状：反向传递中的 CUDA OOM

解决方案：

# 启用梯度检查点
--recompute-activations

# 减小微批量大小
--micro-batch-size 1

# 启用序列并行
--sequence-parallel

问题：数据加载慢

症状：GPU 在数据获取期间空闲

解决方案：

# 增加数据工作者数量
--num-data-workers 4

# 使用流式数据集
--streaming-data

---

支持模型

模型系列	配置
GLM	GLM-4.5, GLM-4.6, GLM-4.7, GLM-Z1-9B
Qwen	Qwen3 (4B, 8B, 30B-A3B), Qwen3-MoE, Qwen2.5
DeepSeek	V3, V3.1, R1
Llama	Llama 3 (8B, 70B)
其他	Kimi K2, Moonlight-16B

每个模型在 scripts/models/ 中有预配置脚本。

---

高级主题

共置模式

在训练和推理间共享 GPU 以减少内存：

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

评估多任务

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

---

资源

• 文档：https://thudm.github.io/slime/
• GitHub：https://github.com/THUDM/slime
• 博客：https://lmsys.org/blog/2025-07-09-slime/
• 示例：见 examples/ 目录获取 14+ 工作示例