wehub/modelscope--ms-swift

Fork 0

Files

T

wehub-resource-sync a203934033

Lint test / lint (push) Has been cancelled

Details

chore: import upstream snapshot with attribution

2026-07-13 13:34:58 +08:00

9.0 KiB

Raw Permalink Blame History

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：

采样模型（rollout model）与训练模型（policy model）应当是同一个模型 \pi_\theta
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：

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})}

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)

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。

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）：

\delta_i > \tau
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

9.0 KiB Raw Permalink Blame History Unescape Escape