Verl Deploy - 训练服务一键拉起

在 NPU 集群上拉起 Verl 分布式训练服务，并灵活配置加速特性，支持 DAPO/GRPO 等 RLHF 算法。

核心原则

1. 用户配置优先：用户明确指定 > 自动检测 > 默认值
2. 配置必须验证：路径、镜像等运行前检测有效性，不猜测
3. 用户确认是阻断点：执行前展示配置清单并等待确认
4. 严格区分宿主机/容器内：docker cp 在宿主机执行，进入容器后不再使用 docker 前缀命令

---

整体流程

1. 环境预检查 → 2. 用户交互 → 3. 配置确认 → 4. 镜像准备+容器拉起 → 5. SwanLab 配置 → 6. 生成双脚本 → 7. 复制+执行 → 8. 验证

---

阶段 1：环境预检查

执行以下 bash 命令自动探测机器环境：

# NPU 信息
npu-smi info
npu-smi info -t board 2>/dev/null

# Docker 和镜像
docker ps -a | grep verl
docker images | grep -E "verl|ascend"

# 模型权重
find /mnt/public /mnt2 /mnt/project -maxdepth 4 -type d -name "Qwen*" 2>/dev/null

# 数据集
find /mnt /mnt2 -name "*.parquet" 2>/dev/null | head -20

# 网卡和 IP
hostname -I

将检测结果记录，供阶段 2 使用。

---

阶段 2：用户交互收集信息

通过 AskUserQuestion 分轮次收集，每轮提供预填值（来自阶段 1 检测结果）。

轮次 1：基础配置

• 训练模式：单机 / 多机
• NPU 卡号（预填检测结果，用户可改）
• 模型路径（列出检测到的模型供选择，或手动指定路径）
• 训练数据集路径
• 测试数据集路径
• Checkpoint 保存路径

轮次 2：镜像与容器配置

• 容器处理方式：使用已有容器 / 新建容器
• 如新建：
  • 镜像选择：列出本地已有 verl 镜像 / 手动输入 / 从 quay.io 拉取
  • 默认拉取地址：quay.io/ascend/verl:verl-8.3.rc1-910b-ubuntu22.04-py3.11-v0.7.0

轮次 3：SwanLab 配置

• 是否开启 SwanLab 日志（是/否）

如果开启，逐项询问（提供默认值）：

• SwanLab Host：无默认值，必填（如 http://192.168.1.100:8000）
• SwanLab API Key：无默认值，必填
• SwanLab Mode：默认 cloud
• SwanLab Workspace：默认 TrainingMaster
• SwanLab Log Dir：默认 /mnt/project/h4380/examples/verl/swanlab_cloud_fsdp_log/
• Project Name：默认 verl_hlm

轮次 4：特性配置

输入 7 位二进制特性掩码：

位[0]位[1]位[2]位[3]位[4]位[5]位[6]
 ↓    ↓    ↓    ↓    ↓    ↓    ↓
RmvPad DynBSZ Offload PfxCache Recompute SwapOpt VPP

默认值：0000000（全部关闭）

特性说明：

位	名称	类型	说明
0	Remove Padding	简单开关	减少无效 padding 计算
1	Dynamic Batch Size	简单开关	按实际长度切分 batch
2	Offload	简单开关	参数/梯度卸载到 CPU
3	Prefix Cache	追加行	复用 KV 缓存前缀
4	Recompute	追加 3 行	重计算替代缓存
5	Swap Optimizer	追加行	优化器状态换入换出
6	VPP	追加行	虚拟流水线并行

互斥警告：bit5(Swap Optimizer) 与 bit2(Offload) 的 optimizer_offload 不能同时开启，脚本会自动将 optimizer_offload 设为 False。

轮次 5：训练超参

提供默认值，用户可覆盖：

• 训练步数（默认 4）
• Batch Size（默认 32）
• 学习率（默认 1e-6）
• TP 张量并行（默认 4）
• PP 流水线并行（默认 2）
• 每 prompt 生成响应数（默认 8）

---

阶段 3：配置确认（阻断点）

展示完整配置清单，包括：

• 硬件配置（NPU 卡号、数量）
• 容器/镜像信息
• 资源路径（模型、数据集、Checkpoint）
• 训练超参
• 特性掩码及各特性开关状态
• SwanLab 配置（如开启）

等待用户确认后继续。用户确认前不执行任何修改操作。

---

阶段 4：镜像准备 + 容器拉起

已有容器

确认容器名，检查状态，如已停止则启动：

docker ps -a | grep <container_name>
docker start <container_name>  # 如已停止

新建容器

1. 确认/拉取镜像：

# 用户选择本地镜像 → 直接使用
# 用户选择拉取 → 执行
docker pull quay.io/ascend/verl:verl-8.3.rc1-910b-ubuntu22.04-py3.11-v0.7.0

2. 拉起容器：使用 scripts/verl_docker_run.sh

bash scripts/verl_docker_run.sh <镜像ID> <容器名>

3. 验证容器就绪：

docker exec <container_name> bash -c "npu-smi info && python --version"

---

阶段 5：SwanLab 配置（如开启）

进入容器后，以容器内形式操作（无 docker 前缀）。

注意：此阶段需要先进入容器再操作。如果后面阶段 7 才正式进入容器，也可以在阶段 7 进入容器后、启动训练前执行 SwanLab 配置。

步骤 1：检查并安装 swanlab

python -c "import swanlab" 2>/dev/null && echo "swanlab 已安装" || pip install swanlab

步骤 2：登录

echo '<SWANLAB_API_KEY>' | swanlab login --host <SWANLAB_HOST>

步骤 3：验证登录

cat ~/.swanlab/config.json

文件存在且包含 API Key 信息即表示登录成功。

---

阶段 6：生成双脚本

使用 scripts/generate_training.sh 生成两个脚本。

生成结果

脚本	职责	对应参考
start_verl.sh	上层：NPU/网络配置、Ray 集群启动、SwanLab 环境变量、调用下层	start_flex.sh
run_training.sh	下层：训练超参、特性配置、Hydra python 训练命令	test_dapo_qwen3_8b_megatron_flex.sh

调用关系：start_verl.sh → bash run_training.sh

生成命令

bash scripts/generate_training.sh \
  --mask <FEATURE_MASK> \
  --output-dir /tmp/verl_scripts/ \
  --model-path <MODEL_PATH> \
  --train-file <TRAIN_FILE> \
  --test-file <TEST_FILE> \
  --ckpts-dir <CKPTS_DIR> \
  --npu-devices "0,1,2,3,4,5,6,7" \
  --master-addr <IP> \
  --socket-ifname <IFNAME> \
  --train-steps <STEPS> \
  --train-tp <TP> \
  --train-pp <PP> \
  --swanlab <yes|no> \
  --swanlab-host <HOST> \
  --swanlab-api-key <KEY> \
  --swanlab-mode <MODE> \
  --swanlab-workspace <WS> \
  --swanlab-log-dir <DIR> \
  --project-name <NAME>

特性处理机制

Type A（bit0-2）：简单变量替换

模板中已存在占位符，sed 直接替换：

• USE_REMOVE_PADDING_PLACEHOLDER → True/False
• USE_DYNAMIC_BSZ_PLACEHOLDER → True/False
• PARAM_OFFLOAD_PLACEHOLDER / OPTIMIZER_OFFLOAD_PLACEHOLDER / GRAD_OFFLOAD_PLACEHOLDER → 各自 True/False

Offload + Swap Optimizer 互斥：同时开启时自动将 OPTIMIZER_OFFLOAD 强制设为 False。

Type B（bit3-6）：注释控制

模板中 Type B 特性行默认以 # 注释，根据 bit 位取消注释：

# bit3: Prefix Cache
[ "$bit3" = "1" ] && sed -i 's/^# \(actor_rollout_ref.rollout.enable_prefix_caching=True\)/\1/' "$script"

# bit4: Recompute（3 行）
if [ "$bit4" = "1" ]; then
    sed -i 's|^# \(+actor_rollout_ref.actor.megatron.override_transformer_config.recompute_granularity=full\)|\1|' "$script"
    sed -i 's|^# \(+actor_rollout_ref.actor.megatron.override_transformer_config.recompute_method=block\)|\1|' "$script"
    sed -i 's|^# \(+actor_rollout_ref.actor.megatron.override_transformer_config.recompute_num_layers=8\)|\1|' "$script"
fi

# bit5: Swap Optimizer
[ "$bit5" = "1" ] && sed -i 's|^# \(+actor_rollout_ref.actor.megatron.override_transformer_config.swap_optimizer=True\)|\1|' "$script"

# bit6: VPP
[ "$bit6" = "1" ] && sed -i 's|^# \(actor_rollout_ref.actor.megatron.virtual_pipeline_model_parallel_size=2\)|\1|' "$script"

# 清理未启用的注释行
sed -i '/^#.*\(+\?actor_rollout_ref\|enable_prefix_caching\)/d' "$script"

SwanLab 处理

模板默认 trainer.logger='["console","swanlab"]'。如 SwanLab 未开启：

sed -i "s|trainer.logger='\[\"console\",\"swanlab\"\]'|trainer.logger='[\"console\"]'|g" "$script"

---

阶段 7：复制脚本到容器 + 执行

步骤 1（宿主机）：docker cp

关键：必须在宿主机环境执行 docker cp。确认当前不在容器内。

docker cp /tmp/verl_scripts/start_verl.sh <container_name>:/verl/start_verl.sh
docker cp /tmp/verl_scripts/run_training.sh <container_name>:/verl/run_training.sh

步骤 2：进入容器

docker exec -it <container_name> bash

步骤 3（容器内）：SwanLab 配置 + 启动训练

进入容器后，以容器内形式执行（无 docker 前缀）：

# 激活环境
source /usr/local/Ascend/cann/ascend-toolkit/set_env.sh
source /usr/local/Ascend/cann/nnal/atb/set_env.sh

# （如开启 SwanLab）注入环境变量 + 安装登录
export SWANLAB_HOST="<用户提供的地址>"
export SWANLAB_API_KEY="<用户提供的 API Key>"
export SWANLAB_MODE="<cloud 或 local>"
export SWANLAB_WORKSPACE="<工作空间>"
export SWANLAB_LOG_DIR="<日志目录>"
export PROJECT_NAME="<项目名>"

python -c "import swanlab" 2>/dev/null || pip install swanlab
echo "$SWANLAB_API_KEY" | swanlab login --host "$SWANLAB_HOST"
cat ~/.swanlab/config.json  # 验证

# 启动训练
cd /verl
bash start_verl.sh

start_verl.sh 自动完成：Ray 集群启动 → 调用 run_training.sh → 开始训练。

---

阶段 8：验证训练启动

在容器内检查：

ps aux | grep main_dapo
tail -20 logs/verl_qwen3_8b_*.log

---

并行策略约束

约束	说明
gen_tp == train_tp	推理和训练的张量并行必须相等
(train_tp x train_pp) % NPU_PER_NODE == 0	tp x pp 必须能被每节点 NPU 数整除

---

可用脚本

脚本	用途
scripts/generate_training.sh	根据参数生成双脚本
scripts/feature_mask.sh	7 位二进制特性掩码解析
scripts/pre_check.sh	环境预检查
scripts/verl_docker_run.sh	容器拉起

参考文档

• references/feature-guide.md — 7 个加速特性详细说明
• references/troubleshooting.md — 常见问题与解决方案（Q1-Q13）
• references/ops-commands.md — 常用运维命令（Docker/NPU/Ray/日志）