Skip to main content

Slime RL 训练

提供使用 slime（一个 Megatron+SGLang 框架）进行 LLM 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，或需要紧密集成 Megatron-LM 以实现强化学习扩展的场景。

技能元数据​

来源可选 — 通过 hermes 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
标签强化学习、Megatron-LM、SGLang、GRPO、后训练、GLM

参考：完整 SKILL.md​

info

以下是 Hermes 在触发此技能时加载的完整技能定义。当技能激活时，Agent 会将其视为指令。

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。它将用于训练的 Megatron-LM 与用于高吞吐量 rollout 生成的 SGLang 连接起来。

何时使用 slime​

在以下情况下选择 slime：

  • 需要 Megatron-LM 原生训练与 SGLang 推理
  • 需要灵活的数据缓冲区实现自定义数据生成工作流
  • 训练 GLM、Qwen3、DeepSeek V3 或 Llama 3 模型
  • 需要研究级框架且具备生产环境支持（Z.ai）

在以下情况下考虑其他方案：

  • 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

主要特性​

  • 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，带路由器
  • 数据缓冲区：灵活的提示管理和样本存储
  • 模型：GLM-4.x、Qwen3、DeepSeek V3/R1、Llama 3

架构概览​

┌─────────────────────────────────────────────────────────┐
│                    Data Buffer                          │
│ - Prompt 初始化与管理                                   │
│ - 自定义数据生成与过滤                                  │
│ - Rollout 样本存储                                     │
└─────────────┬───────────────────────────┬───────────────┘
              │                           │
┌─────────────▼───────────┐ ┌─────────────▼───────────────┐
│ 训练（Megatron-LM）     │ │ Rollout（SGLang + Router）  │
│ - Actor 模型训练        │ │ - 响应生成                  │
│ - Critic（可选）        │ │ - 奖励/验证器输出           │
│ - 权重同步到 Rollout    │ │ - 多轮对话支持              │
└─────────────────────────┘ └─────────────────────────────┘

安装​

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

# Inside container
cd /root/slime && pip install -e . --no-deps

From Source​

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

Quick Start: GRPO Training​

# Source model configuration
source scripts/models/qwen3-4B.sh

# Launch training
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[@]}

Workflow 1: Standard GRPO Training​

Use this workflow for training reasoning models with group-relative advantages.

Prerequisites Checklist​

  • Docker environment or Megatron-LM + SGLang installed
  • Model checkpoint (HuggingFace or Megatron format)
  • Training data in JSONL format

Step 1: Prepare Data​

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

或者使用聊天格式：

{
    "prompt": [
        {"role": "system", "content": "你是一位数学导师。"},
        {"role": "user", "content": "15 + 27 等于多少？"}
    ],
    "label": "42"
}

步骤 2：配置模型​

选择一个预配置的模型脚本：

# 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

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/
  • 验证奖励曲线是否在上升
  • 监控各节点的 GPU 利用率

工作流 3：多轮 Agent 训练​

使用此工作流来训练带有工具调用或多步推理的 Agent。

前置条件​

  • 用于多轮逻辑的自定义生成函数
  • 工具/环境接口

第 1 步：定义自定义生成函数​

# 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

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[@]}

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（直接传递）：

--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/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：

基本数据源​

class RolloutDataSource:
    def get_samples(self, num_samples):
        """Fetch prompts from dataset."""
        return self.dataset.sample(num_samples)

    def add_samples(self, samples):
        """Called after generation (no-op by default)."""
        pass

缓冲数据源（Off-Policy）​

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

    def add_samples(self, samples):
        """Store generated samples for reuse."""
        self.buffer.extend(samples)

    def buffer_filter(self, args, buffer, num_samples):
        """Custom selection logic (prioritized, stratified, etc.)."""
        return select_best(buffer, num_samples)

常见问题与解决方案​

问题：SGLang 引擎崩溃​

症状：推理引擎在训练过程中挂掉

解决方案：

# 启用容错机制
--use-fault-tolerance

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

# 减少批量大小
--rollout-batch-size 16

问题：权重同步超时​

症状：训练在 rollout 后卡住

解决方案：

# 增加同步间隔
--update-weights-interval 5

# 使用同址模式（无网络传输）
--colocate

问题：训练过程中 OOM​

症状：反向传播时 CUDA 内存不足

解决方案：

# 启用梯度检查点
--recompute-activations

# 减少微批量大小
--micro-batch-size 1

# 启用序列并行
--sequence-parallel

问题：数据加载缓慢​

症状：GPU 在数据获取期间空闲

解决方案：

# 增加数据加载进程数
--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/ 目录下都有预先配置好的脚本。

高级主题​

共置模式​

在训练和推理之间共享 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​