vLLM V0에서 V1로: RL의 정확성 우선, 수정은 나중에
PipelineRL은 롤아웃 생성을 위해 vLLM을 추론 엔진으로 사용합니다. 추론 엔진은 토큰을 샘플링하고 토큰 로그확률을 반환하며, 트레이너는 이러한 로그확률을 사용하여 정책 비율, KL, 클립 비율, 엔트로피 및 보상을 계산합니다. 로그확률 계산 방식의 불일치는 훈련 역학을 변경할 수 있습니다. 이것이 vLLM V0에서 V1로 마이그레이션하는 동안 해결해야 했던 훈련-추론 불일치입니다.
요약: vLLM V1은 네 가지를 수정한 후 vLLM V0 참조와 일치했습니다: 처리된 롤아웃 로그확률, V1 특정 런타임 기본값, 인플라이트 가중치 업데이트 경로, 최종 투영에 사용된 fp32 lm_head. RL 목표를 변경하기 전에 백엔드 동작을 먼저 수정했습니다.
참조 실행은 vLLM 0.8.5를 사용했고, V1 실행은 vLLM 0.18.1을 사용했습니다. 그림 1은 최종 결과를 보여줍니다. 빨간색 실행은 초기 V1 시도이고, 녹색 실행은 아래에서 설명하는 수정 사항을 적용한 최종 V1 실행입니다.
lm_head를 포함한 최종 vLLM V1 실행(녹색)의 트레이너 측 메트릭. 최종 V1 실행은 클립 비율, KL, 엔트로피 및 보상에 걸쳐 V0 궤적에 가깝게 수렴합니다.마이그레이션 목표
vLLM V1은 V0 엔진의 대규모 재구현입니다. 따라서 우리의 마이그레이션 목표는 의도적으로 좁혔습니다:
- V1이 트레이너가 예상하는 형식의 롤아웃 로그확률을 반환하는지 확인
- V0 참조에 대해 동일한 워크로드를 다시 실행
- 백엔드 패리티가 복원된 후에만 목표 수준 변경 평가
첫 번째 가시적 증상이 나타난 곳:
clamp_log_ratio_new_old_indicatorkl_new_oldentropyreward
이러한 메트릭은 이 실험에 사용된 목표인 GSPO 훈련 실행에서 나왔습니다. 동일한 클래스의 불일치는 PPO, GRPO 또는 롤아웃 측 로그확률을 최적화 목표의 일부로 취급하는 모든 온라인 RL 시스템에서 나타날 수 있습니다.
초기 V1 실행은 문제를 명확하게 보여주었습니다. 트레이너 측 로그확률과 보상이 훈련 초기에 V0 참조에서 벗어났습니다.
동일한 패턴이 트레이너 메트릭에서도 나타납니다. 클립 비율이 초기 비교에서 가장 읽기 쉬운 신호입니다.
실패 모드
가능한 원인을 세 가지 계층으로 분류했습니다:
- 의미론적 불일치: 백엔드가 트레이너가 예상하는 것과 다른 의미의 로그확률을 반환합니다.
- 추론 경로 불일치: 백엔드가 캐싱, 스케줄링 또는 요청 처리에 다른 런타임 기본값을 사용하여 동일한 프롬프트가 다른 실행 경로를 따릅니다.
- 목표 불일치: RL 목표가 남아있는 지연이나 백엔드 불일치의 양에 대해 수정이 필요합니다.
처음에는 세 번째 범주를 너무 빨리 의심했습니다. 유용한 진단은 첫 두 개를 백엔드 동작 문제로 취급하고 먼저 배제함으로써 나왔습니다.
V1 백엔드 수정
로그확률 의미론
첫 번째 문제는 의미론적이었습니다. vLLM V1은 기본적으로 온도 스케일링, 페널티, top-k/top-p 필터링과 같은 로짓 후처리 전에 원본 모델 출력에서 로그확률을 반환합니다. PipelineRL은 샘플러가 사용하는 처리된 분포에서의 로그확률을 예상했습니다.
필요한 설정은:
logprobs-mode=processed_logprobs
이것은 롤아웃 로그확률의 명백한 평균 오프셋을 제거했습니다. 그러나 훈련 곡선이 여전히 알려진 좋은 참조에 비해 간격을 보였으므로 다음 문제는 추론 경로에 있어야 했습니다.
정책 비율 플롯이 이것을 직접 보여줍니다. V1에 대해 processed_logprobs를 활성화하면 평균 정책 비율이 세 실행 모두에서 1.0에 매우 가깝게 중심을 유지합니다. 이것이 평균 편향 수정을 확립합니다. 남은 불일치는 클립 비율, KL, 엔트로피 및 다운스트림 훈련 동작에서 나타납니다.
런타임 기본값
초기 V1 실행은 엔진 버전을 V1 런타임 기본값과 혼합했습니다:
- 접두사 캐싱(초기 실행에서 설정되지 않아 vLLM
0.18.1기본값이 적용됨) - 비동기 스케줄링(초기 실행에서 설정되지 않아 vLLM
0.18.1기본값이 적용됨) - 실행 시간 kwarg 통과를 통해 설정되고 커밋된 구성의 패리티 레시피 외부에 있는 ad-hoc
disable-cascade-attn오버라이드
패리티 실행을 위해 이러한 선택을 명시적으로 만들었습니다:
vllm_config:
use_v1: true
vllm_kwargs:
logprobs-mode: processed_logprobs
enable-prefix-caching: false
async-scheduling: false
접두사 캐싱은 별도의 설명이 필요합니다. 일반적으로 고정 모델 상태에 대한 정확성 보존 추론 최적화입니다. 이 온라인 RL 설정에서는 V0 참조 경로와 비교하여 캐시 수명 및 재사용에서 V1 고유의 차이였습니다. 행위자는 또한 반복된 접두사, 동시 요청, 비동기 스케줄링 및 인플라이트 가중치 업데이트를 처리했습니다.
접두사 캐시 히트는 캐시 정책이 가중치 업데이트 경계를 무시할 때 가중치 업데이트 전에 계산된 상태를 재사용할 수 있습니다. 접두사 캐싱을 비활성화하면 패리티 비교에서 V1 고유의 자유도 하나가 제거되었습니다.
인플라이트 가중치 업데이트
가중치 동기화도 온라인 RL 업데이트 모델과 일치해야 했습니다. 한 가지 옵션은 모든 업데이트에서 요청을 드레인하고 캐시를 지워 V1을 V0보다 더 엄격하게 만드는 것이었습니다. 이것은 별도의 질문에 답할 것입니다. 먼저 V1이 기존 V0 동작과 일치할 수 있는지 확인해야 했습니다.
V0이 효과적으로 한 것은 더 가까웠습니다:
- 엔진 경계에서 실행 차단
- 새 가중치 로드
- 명시적 캐시 상태 무효화 없이 재개
가장 가까운 V1 대응은:
await engine.pause_generation(mode="keep", clear_cache=False)
await engine_client.collective_rpc_async(
"receive_weight_update",
args=(request.model_dump_json(),),
)
await engine.resume_generation()
두 가지 세부 사항이 중요합니다:
mode="keep"는wait또는abort보다 이전 인플라이트 업데이트 모델과 더 가깝게 일치합니다clear_cache=False는 업데이트 시 캐시된 상태를 그대로 둔 V0 래퍼 동작과 일치합니다
지연(lag)이 유용한 런타임 진단이었습니다. 초기 V1 경로는 훈련 후반에 수정된 V1 실행보다 더 많은 지속적인 지연을 유지합니다.
남은 간격: fp32 lm_head
위의 V1 백엔드 수정은 명백한 마이그레이션 문제를 제거했지만 최종 패리티는 여전히 로짓을 계산하는 데 사용된 수치 경로를 일치시켜야 했습니다. 트레이너는 최종 투영에 fp32 lm_head를 사용했습니다. 롤아웃 백엔드가 해당 동작과 일치해야 했습니다.
밀접하게 관련된 문제는 MiniMax-M1 기술 보고서에서 나타났습니다: 그들의 RL 실행은 훈련/추론 토큰 확률 불일치를 보였고 이를 LM 출력 헤드로 추적하여 헤드를 fp32로 계산함으로써 수정했습니다.
이것이 중요한 이유는 RL 업데이트가 토큰 로그확률을 직접 소비하기 때문입니다. 로짓의 작은 변화는 정책 비율, KL 및 클리핑에서 가시적이 될 수 있습니다. 따라서 최종 투영 정밀도는 온라인 RL의 정확성 기준의 일부입니다. ScaleRL 논문은 나중에 fp32 로짓/헤드 계산을 RL 레시피의 일부로 포함하고 대규모 RL에 대한 유용한 설계 선택으로 절제합니다.
fp32 lm_head 경로가 포함되면 보상이 최종 패리티 결과를 간결하게 보여줍니다. 그림 6에서 최종 V1 실행은 V0 참조를 추적합니다. 초기 V1 시도는 명확하게 다른 보상 곡선을 생성합니다.
lm_head 경로가 있는 최종 vLLM V1 실행(녹색)의 보상. fp32 헤드가 포함되면 최종 V1 실행은 V0 참조를 추적합니다.절제 연구
부정적인 결과는 일반적인 설명을 배제하기 때문에 중요합니다.
processed_logprobs단독: 의미론적 로그확률 버그를 수정했습니다. 훈련 불일치는 남아있었습니다.- 배치 불변성: 불일치는 별도의 테스트에서 더 높은 지연, 더 높은 클립 비율 및 NCCL 복잡성으로 남아있었습니다.
- 첫 번째 V1 실행을 공정한 기준선으로 취급: 첫 번째 V1 실행은 여러 V1 고유 기본값이 활성화되어 있었으므로 혼동된 마이그레이션 비교였습니다.
우리가 백엔드 정확성을 먼저 수정한 이유
절단된 중요도 샘플링, 중요도 비율 재가중화 및 관련 방법과 같은 목표 측 수정은 유용한 도구입니다. 롤아웃이 의도적으로 지연되거나 비동기적으로 생성되거나 트레이너 측 정책과의 동등성이 불가능한 백엔드에서 생성되는 경우 어떤 형태의 수정을 추가하는 것이 종종 맞습니다.
여기서 첫 번째 문제는 추론 정확성이었습니다. V1로 이동한 후 롤아웃 백엔드는 트레이너 가정을 깨뜨린 로그확률 및 런타임 동작을 반환했습니다. 그 시점에서 목표 측 수정을 추가했다면 두 가지 질문이 혼합되었을 것입니다:
- 추론 백엔드가 올바른 로그확률을 생성하고 있습니까?
- 올바른 로그확률이 주어지면 목표가 여전히 정책 외 또는 비동기 수정이 필요합니까?
이러한 질문은 분리되어야 합니다. 그렇지 않으면 목표 측 수정이 깨진 추론 백엔드 동작을 보상할 수 있으며, 이는 훈련 곡선을 해석하기 어렵게 만듭니다.
현재 목표는 여전히 개선될 수 있습니다. 추론 패리티가 복원된 후 다음 개선은 일반적인 비동기/정책 외 정리입니다:
- 롤아웃 시간부터 명시적 행동 정책 로그확률 유지
- 최적화 시간에 트레이너 측 이전 정책 로그확률 재계산
- 백엔드 불일치 수정을 정책 업데이트 비율에서 분리
- 수정 항과 함께 ESS와 같은 진단 추적 및 집계 트레이너 메트릭
이 마이그레이션의 주요 교훈은 더 좁습니다: 백엔드 정확성을 먼저 수정한 다음 남은 불일치에 대한 수정을 추가합니다.