This commit is contained in:
wehub-resource-sync
@@ -0,0 +1,239 @@
|
||||
# Training-Inference-Mismatch
|
||||
|
||||
|
||||
**TL;DR**: GRPO 引入 vLLM 加速采样过程的同时，也引入了训练-推理不一致（Training-Inference Mismatch）的问题，从而可能影响训练稳定性。本文将解释这个问题的背景、原因以及相应的解决方案。
|
||||
|
||||
## Background
|
||||
|
||||
### GRPO 的基本假设
|
||||
|
||||
GRPO (Group Relative Policy Optimization) 的训练目标可以表示为：
|
||||
|
||||
$$
|
||||
\mathcal{L}_{\text{GRPO}} = - \mathbb{E}_{y \sim \pi_\theta} \left[ \min \left( r_t(\theta) \hat{A}_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon) \hat{A}_t \right) \right]
|
||||
$$
|
||||
|
||||
其中：
|
||||
- $r_t(\theta) = \frac{\pi_\theta(y_t|x, y_{<t})}{\pi_{\theta_{\text{old}}}(y_t|x, y_{<t})}$ 是重要性采样比
|
||||
- $\hat{A}_t$ 是优势函数（advantage），基于 reward 和 group baseline 计算
|
||||
- $\epsilon$ 是 clipping 参数
|
||||
|
||||
**核心假设**：样本 $y$ 是从策略 $\pi_\theta$ 中采样得到的。在实际训练中，这意味着：
|
||||
1. 采样模型（rollout model）与训练模型（policy model）应当是**同一个模型** $\pi_\theta$
|
||||
2. 两个模型的概率分布应当**完全一致**，即 $\pi_{\text{rollout}} = \pi_\theta$
|
||||
|
||||
### 引入 vLLM 后的假设偏离
|
||||
|
||||
GRPO 的训练速度很大程度上受到采样过程（rollout）的速度制约。为了加速，训练框架引入高效推理引擎（如 vLLM）来执行采样。**理想假设**是：通过权重同步，vLLM 与训练模型保持一致，即 $\pi_{\text{vLLM}} \equiv \pi_\theta$。
|
||||
|
||||
然而，在实践中，即使权重完全同步，由于算子实现等差异，两者的概率分布仍然存在偏差：
|
||||
|
||||
$$
|
||||
\pi_{\text{vLLM}}(y|x) \neq \pi_\theta(y|x)
|
||||
$$
|
||||
|
||||
此时，实际的训练目标变为：
|
||||
|
||||
$$
|
||||
\mathcal{L} = - \mathbb{E}_{y \sim \pi_{\text{vLLM}}} \left[ \min \left( r_t(\theta) \hat{A}_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon) \hat{A}_t \right) \right]
|
||||
$$
|
||||
|
||||
其中样本来自 $\pi_{\text{vLLM}}$，但梯度是基于 $\pi_\theta$ 计算的，这**破坏了算法的 on-policy 假设**，引入了训推不一致的问题。
|
||||
|
||||
## Solution
|
||||
|
||||
针对训推不一致问题，可以引入**重要性采样（Importance Sampling, IS）**的校正机制。
|
||||
|
||||
### 重要性采样校正
|
||||
|
||||
重要性采样的基本思想是：当样本来自分布 $q$ 而非目标分布 $p$ 时，可以通过引入权重来修正期望的计算：
|
||||
|
||||
$$
|
||||
\mathbb{E}_{x \sim p} [f(x)] = \mathbb{E}_{x \sim q} \left[ \frac{p(x)}{q(x)} \cdot f(x) \right]
|
||||
$$
|
||||
|
||||
应用到 GRPO 的场景，修正后的损失函数为：
|
||||
|
||||
$$
|
||||
\mathcal{L}_{\text{corrected}} = - \mathbb{E}_{y \sim \pi_{\text{vLLM}}} \left[ w(x, y) \cdot \min \left( r_t(\theta) \hat{A}_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon) \hat{A}_t \right) \right]
|
||||
$$
|
||||
|
||||
其中 $w(x, y)$ 是重要性采样权重，用于校正 vLLM 与训练模型之间的分布偏差
|
||||
|
||||
重要性采样权重可以在不同粒度上计算和应用：
|
||||
|
||||
1. **Token-Level**
|
||||
|
||||
每个 token 上计算重要性采样比：
|
||||
|
||||
$$
|
||||
w_{i,t}^{\text{token}} = \frac{\pi_\theta(y_{i,t}|x, y_{i,<t})}{\pi_{\text{vLLM}}(y_{i,t}|x, y_{i,<t})}
|
||||
$$
|
||||
|
||||
2. **Sequence-Level**
|
||||
|
||||
计算序列级别的重要性采样比，然后广播到每个 token：
|
||||
|
||||
$$
|
||||
w_i^{\text{seq}} = \left[ \frac{\pi_\theta(y_i|x)}{\pi_{\text{vLLM}}(y_i|x)} \right]^{\frac{1}{|y_i|}} = \exp\left( \frac{1}{|y_i|} \sum_{t=1}^{|y_i|} \log \frac{\pi_\theta(y_{i,t}|x, y_{i,<t})}{\pi_{\text{vLLM}}(y_{i,t}|x, y_{i,<t})} \right)
|
||||
$$
|
||||
|
||||
### 稳定性控制：Truncate vs. Mask
|
||||
|
||||
过大的重要性采样权重会导致梯度爆炸，破坏训练稳定性。因此需要对权重进行控制：
|
||||
|
||||
#### 1. Truncate（截断）
|
||||
|
||||
将重要性采样权重截断到 $[0, \tau]$ 区间：
|
||||
|
||||
$$
|
||||
w_{\text{truncate}} = \min(w, \tau)
|
||||
$$
|
||||
|
||||
该方法保留所有样本，但限制其影响范围。
|
||||
|
||||
#### 2. Mask（屏蔽）
|
||||
|
||||
舍弃权重超过阈值的 token/sequence 数据
|
||||
|
||||
$$
|
||||
w_{\text{mask}} = \begin{cases}
|
||||
w & \text{if } w \leq \tau \\
|
||||
0 & \text{otherwise}
|
||||
\end{cases}
|
||||
$$
|
||||
|
||||
|
||||
### 四种校正模式
|
||||
|
||||
结合粒度和控制策略，共设置四种校正模式（通过 `--rollout_importance_sampling_mode` 参数选择）：
|
||||
|
||||
| 模式 | 说明 |
|
||||
|------|------|
|
||||
| `token_truncate` | Token 级截断 |
|
||||
| `token_mask` | Token 级屏蔽 |
|
||||
| `sequence_truncate` | Sequence 级截断 |
|
||||
| `sequence_mask` | Sequence 级屏蔽 |
|
||||
|
||||
其中阈值通过 `--rollout_importance_sampling_threshold` 参数设置。
|
||||
|
||||
## Metrics
|
||||
|
||||
为了监控训练中训推不一致的程度，我们在log中加入以下指标（前缀为 `rollout_correction/`）：
|
||||
|
||||
### 1. KL 散度（KL Divergence）
|
||||
|
||||
KL 散度衡量 rollout 策略与训练策略之间的偏离程度。两个指标都估计 $\text{KL}(\pi_{\text{vLLM}} \| \pi_\theta)$
|
||||
|
||||
|
||||
**直接估计器 `kl`**：
|
||||
|
||||
$$
|
||||
\text{KL}(\pi_{\text{vLLM}} \| \pi_\theta) = \mathbb{E}_{\pi_{\text{vLLM}}}\left[ \log \frac{\pi_{\text{vLLM}}}{\pi_\theta} \right]
|
||||
$$
|
||||
|
||||
**K3 估计器 `k3_kl`**：
|
||||
|
||||
$$
|
||||
\text{KL}(\pi_{\text{vLLM}} \| \pi_\theta) \approx \mathbb{E}_{\pi_{\text{vLLM}}}\left[ \rho - \log \rho - 1 \right], \quad \rho = \frac{\pi_\theta}{\pi_{\text{vLLM}}}
|
||||
$$
|
||||
|
||||
K3 估计器在 KL 值较小时数值更稳定，且始终非负。
|
||||
|
||||
### 2. Perplexity (PPL)
|
||||
|
||||
困惑度衡量模型对序列的预测不确定性：
|
||||
|
||||
$$
|
||||
\text{PPL} = \exp\left( -\frac{1}{|y|} \sum_{t=1}^{|y|} \log p(y_t) \right)
|
||||
$$
|
||||
|
||||
相关指标：
|
||||
- `training_ppl` / `training_log_ppl`：训练策略的 PPL 及其对数
|
||||
- `rollout_ppl` / `rollout_log_ppl`：rollout 策略的 PPL 及其对数
|
||||
- `log_ppl_diff`：log PPL 差异，正值表示训练策略分配的概率更低
|
||||
- `log_ppl_abs_diff`：log PPL 绝对差异
|
||||
- `log_ppl_diff_max` / `log_ppl_diff_min`：log PPL 差异的最大/最小值
|
||||
- `ppl_ratio`：PPL 比率 $\frac{\text{PPL}_{\text{training}}}{\text{PPL}_{\text{rollout}}}$
|
||||
|
||||
### 3. χ² 散度（Chi-squared Divergence）
|
||||
|
||||
χ² 散度衡量重要性采样权重的方差：
|
||||
|
||||
$$
|
||||
\chi^2(\pi_\theta \| \pi_{\text{vLLM}}) = \mathbb{E}_{\pi_{\text{vLLM}}}\left[ \rho^2 \right] - 1, \quad \rho = \frac{\pi_\theta}{\pi_{\text{vLLM}}}
|
||||
$$
|
||||
|
||||
- `chi2_token`：Token 级别 χ² 散度，$\mathbb{E}[\rho_t^2] - 1$
|
||||
- `chi2_seq`：Sequence 级别 χ² 散度（基于几何平均），$\mathbb{E}[\rho_{\text{geo}}^2] - 1$，其中 $\rho_{\text{geo}} = \exp(\frac{1}{T}\sum_t \log \rho_t)$
|
||||
|
||||
χ² 散度越大，表示 IS 权重方差越大，训练越不稳定。`chi2_seq` 使用几何平均而非乘积，使其与 `chi2_token` 在量级上可比较。
|
||||
|
||||
### 4. Effective Sample Size (ESS)
|
||||
|
||||
有效样本大小衡量重要性采样后实际起作用的样本数量：
|
||||
|
||||
$$
|
||||
\text{ESS} = \frac{1}{\mathbb{E}\left[\left(\frac{w}{\mathbb{E}[w]}\right)^2\right]}
|
||||
$$
|
||||
|
||||
ESS 值越大（接近1），表示重要性采样权重分布越均匀，样本的有效利用率越高。当所有权重相等时（on-policy），ESS = 1；当权重差异很大时（严重 off-policy），ESS 会很小。
|
||||
|
||||
### 5. IS 权重统计
|
||||
|
||||
- `is_weight_mean`：平均重要性采样权重，理想值为 1.0
|
||||
- `clipped_frac`：被截断或屏蔽的样本比例
|
||||
|
||||
|
||||
## 使用方式
|
||||
|
||||
### 仅记录诊断指标
|
||||
|
||||
如果只想监控训推不一致的程度，而不启用重要性采样校正，可以设置：
|
||||
|
||||
```
|
||||
--log_rollout_offpolicy_metrics true
|
||||
```
|
||||
|
||||
这将记录上述所有诊断指标（KL、PPL、χ² 等），但不会对损失函数进行任何修正。
|
||||
|
||||
### 启用重要性采样校正
|
||||
|
||||
在GRPO训练中，设置以下参数启用校正机制：
|
||||
|
||||
```
|
||||
--rollout_importance_sampling_mode （默认为None）
|
||||
--rollout_importance_sampling_threshold （默认为2）
|
||||
```
|
||||
|
||||
当设置了 `rollout_importance_sampling_mode` 时，诊断指标会自动记录，无需额外设置 `log_rollout_offpolicy_metrics`。
|
||||
|
||||
## Off-Policy Sequence Masking
|
||||
|
||||
除了重要性采样校正外，还可以使用 **Off-Policy Sequence Masking** 技术来处理训推不一致问题。该技术来自 [DeepSeek-V3.2 论文](https://arxiv.org/abs/2512.02556)。
|
||||
|
||||
### 原理
|
||||
|
||||
Off-Policy Sequence Masking 的核心思想是：当当前策略相对于旧策略（rollout 或 old policy）发生较大偏移时，直接丢弃（mask）该序列，不参与损失计算。这种方法特别针对**优势为负的序列**，因为这些序列在策略偏移较大时更容易导致训练不稳定。
|
||||
|
||||
具体来说，对于每个序列，计算：
|
||||
|
||||
$$
|
||||
\delta_i = \frac{1}{|y_i|} \sum_{t=1}^{|y_i|} \bigl( \log \pi_{\text{old}}(y_{i,t}|x, y_{i,<t}) - \log \pi_\theta(y_{i,t}|x, y_{i,<t}) \bigr)
|
||||
$$
|
||||
|
||||
当满足以下条件时，序列 $i$ 将被 mask 掉（平均只在 completion token 上计算，即 `completion_mask=1` 的位置）：
|
||||
1. $\delta_i > \tau$
|
||||
2. **且** $\hat{A}_i < 0$
|
||||
|
||||
其中：
|
||||
- $\pi_{\text{old}}$ 优先使用 `rollout_per_token_logps`（rollout/行为策略的 logprobs），若不存在则使用 `old_per_token_logps`
|
||||
- $\tau$ 是用户设置的阈值（`--off_policy_sequence_mask_delta`，默认 None 表示关闭）
|
||||
|
||||
|
||||
参考资料
|
||||
|
||||
1. https://yingru.notion.site/When-Speed-Kills-Stability-Demystifying-RL-Collapse-from-the-Training-Inference-Mismatch-271211a558b7808d8b12d403fd15edda
|
||||
2. https://fengyao.notion.site/off-policy-rl
|
||||
3. https://github.com/volcengine/verl/blob/main/verl/trainer/ppo/rollout_corr_helper.py
|
||||
4. [DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models](https://arxiv.org/abs/2512.02556)
|
||||
Reference in New Issue
Block a user