cann-recipes-train 仓库深度解读：昇腾平台下 DeepSeek-R1 与 Qwen2.5 强化学习训练优化实践
前言
自 DeepSeek-R1 发布以来，大模型的强化学习（RL）训练掀起了新一轮的技术热潮。各大厂商与开源社区纷纷投入实践，持续探索更高效的 RL 训练体系。本文将基于 cann-recipes-train 仓库，解读两个实践样例：DeepSeek-R1 的 RL 训练优化实践样例、基于 verl 框架的 Qwen2.5 强化学习实践样例。
cann-recipes-train 仓库全景解析：昇腾训练优化的实战底座
大模型训练拼效率的阶段，CANN 直接帮我们搞定了底层异构硬件适配、资源调度这些麻烦事，不用再从零研究 GPU 和 NPU 怎么协同，现有模型代码也不用大改就能对接，训 LLM 或多模态模型时还能通过算子优化、内存复用提升速度、减少资源浪费。
cann-recipes-train 仓库不搞抽象理论，全是能直接复用的代码样例，比如具体 LLM 的训练优化步骤、多模态模型的算子调试方法，帮我们跳过'看官方文档懂了但不会用'的坑，不用自己反复试错，快速掌握 CANN 的优化技巧，把精力集中在模型本身。
方便广大开发者在昇腾环境中高效开展大模型的微调与续训，将开源的 cann-recipes-train 仓库面向典型的 LLM 与多模态模型训练任务，提供基于 CANN 平台优化样例与实践指南，帮助开发者简单、快速、高效在昇腾平台上完成模型训练与优化部署。首批版本中，cann-recipes-train 将上线两个基于 Verl 强化学习框架的典型训练样例，分别覆盖 Qwen2.5 与 DeepSeek-R1-671B 两大模型。
- DeepSeek-R1 RL 训练优化样例：基于开源 verl 框架，搭配 MindSpeed+vLLM-Ascend 框架，在 Atlas A3 集群实现 GRPO 算法的高吞吐 RL 训练，并达到 120TPS/卡的系统吞吐量。
- 基于 verl 框架的 Qwen2.5 强化学习（入门样例）：基于 Qwen2.5-1.5B-Instruct 模型，采用 verl 强化学习框架，在 MATH-lighteval 数学推理数据集上进行了训练，只需要单卡 Atlas A2 环境，快速上手使用昇腾 NPU 完成 RL 训练任务。
cann-recipes-train 仓库 Notebook 部署准备
-
Notebook 资源配置
- 计算资源：NPU：1*NPU 910B，32vCPU + 64GB 内存
- 容器镜像：ubuntu22.04-py3.11-cann8.2.rc1-sglang-main-notebook
-
Notebook 启动成功后查看 NPU 状态 使用
npu-smi查看 NPU 状态、利用率。当前 Notebook 的昇腾 910B3 NPU 状态正常，功耗 96.5W、温 46℃，HBM 显存仅用 3.3G（总 64G），无运行进程，资源低负载。 -
cann-recipes-train 克隆到本地
-
进入 cann-recipes-train/rl_train 目录 可以看到特定模型的 RL（强化学习）训练相关样例集合：
- deepseek：DeepSeek-R1 RL 训练优化实践样例
- qwen2_5：基于 verl 框架的 Qwen2.5 强化学习实践样例
DeepSeek-R1 RL 训练优化实践样例
环境部署
针对 DeepSeek-R1 模型，基于 verl 开源框架，配合 MindSpeed-LLM 和 vLLM-Ascend 框架，完成 RL 训练全流程的优化适配。
硬件要求：
- 产品型号：Atlas A3 系列
- 最少卡数：128 张 A3
-
安装样例依赖 基础环境适配（安装核心依赖如 verl、torch_npu等）。虽有部分版本冲突，但不影响核心功能。
-
下载依赖的开源框架代码 拉取 Verl（指定 Commit）、vLLM（v0.9.1）、vLLM-Ascend（打补丁）及 Megatron-LM、MindSpeed 等多个指定版本的 AI 相关依赖框架，将其复制到 cann-recipes-train/rl_train/deepseek/ 目录，为该目录下的 deepseek 样例运行搭建适配的依赖环境。
-
修改 verl 代码 为了使能 patch 修改，需要修改以下 verl 源码。
DeepSeek-R1 RL 训练优化点解读
如图是基于 Atlas A3 SuperPoD 超节点 128 卡集群，加载真实权重和随机初始化权重的两个场景中性能效果。
框架适配：Verl × vLLM-Ascend 适配
vLLM-Ascend 社区已经做好了 DeepSeek-R1 的昇腾适配，能直接用它提推理性能，但要让 verl 和它兼容，得改关键接口，主要是初始化 vLLMRollout 对象的 vllm_rollout_spmd.py 文件：
- 手动加 vLLM-Ascend 的 patch：导入 vLLM 前得先引这个 patch，不然有些类和函数不匹配。
- 配 DP 通信参数：设 VLLM_DP_MASTER_PORT 和 IP，保证每个 DP 组有独立通信端口，适应集群环境。
- 关 sleep 模式：NPU 多机下 sleep 会导致显存释放不了，还得避免显存被 vLLM 内存池接管，后续没法手动卸载。
- 调 token 参数：加载真实权重时，默认 max_num_batched_token=8192 容易 OOM，改成 1024 再开 chunked_prefill 就行。
性能优化（一）：训推一体化与参数重排（Reshard/Offload）实践
大模型 RL 的时候，训练和推理时，模型在显卡上的分片方式完全不一样，训练时 8 张卡分成两组各 4 张（EP4），流水线也拆成多段（PP2）；推理时得把 8 张卡合并成一组（EP8），流水线也不分段了（PP1）。
模型训练完更新参数后，得把参数从训练的分片方式改成推理能用的（reshard），在训练组内用 alltoallv 通信，参数重排的时候没冗余数据传输，这一步快了不少。
另外 Actor、Rollout、Ref 三个模型挤在同一批卡上，切换的时候，前一个模型占着显存呢，不挪走新模型根本装不下，所以得先把不用的模型挪到主机内存（offload）腾地方，再把要用的加载到显卡，这部分昇腾团队专门调了显存管理和数据迁移的细节，切换耗时降了不少。
这两部分优化下来，训推切换会更加顺畅，迭代效率也会明显提高。
- reshard 优化核心：专家参数用 AlltoAllV 定向传：只给目标推理 rank 发参数，不做全量广播，大幅减少带宽冗余，单卡增量内存从 14G 压到 0.0547G，降低 OOM 风险。
- PP 域通信调顺序：先在 TP 域聚合参数，再用 PP 域 AlltoAll 广播，减少通信量。如 p=8、t=4 时第一步通信量减半和通信次数。
- offload 优化核心：替代 vLLM 有问题的功能：用 onload/offload_model_weight、init/free_cache_engine，替换 NPU 多机下不好使的 vLLM wake_up/sleep。
- 省冗余步骤 + 后置初始化：省去训练后到推理前的冗余卸载 / 加载，把推理 init_cache_engine 放到 reshard、卸载训练权重之后，降内存峰值、提 vLLM 利用率。
性能优化（二）：训练侧优化策略与算子融合技术
复用 MindSpeed 训练优化。
verl 目前对接了 MindSpeed，因此训练侧主要复用了 MindSpeed 在内存、通信和计算方面的许多优化技术，包含 Ascend Swap Optimizer 和使能融合算子等，对应的配置脚本片段大概是这样。
old_log_prob 免计算。
GRPO 这类 on-policy 算法里，有个关键特性：训练时模型参数未更新前，old_log_prob 的计算结果，和 update_actor 环节前向计算得到的 log_prob 完全一致，毕竟两者依赖的是同一套模型参数。
所以昇腾团队用 log_prob.detach() 直接替代 old_log_prob，省去一次训练模型的前向计算大幅节省耗时，考虑到 verl 原生不支持这一优化，团队专门为其补充实现了该功能，目前只需要将配置项 config.actor_rollout_ref.actor.recompute_old_log_prob 设为 False，就可以启用优化。
性能优化（三）：推理侧加速与吞吐率提升路径
DeepSeek-R1'1K 推 3K'的 RL 推理场景中，昇腾团队以 162 token/p/s 的基础吞吐为起点，通过多轮技术迭代实现推理性能的阶梯式跃升：
- 基于 TorchAir 图模式 + AIV 加速 + vLLM-V1 框架 优化，吞吐提升至 419 token/p/s。
- 消除大 EP 场景下的 Transpose 冗余算子 + Cumsum 冗余计算，进一步提升至 456 token/p/s。
- 引入 MoE/MLA 多流并行 + router 逻辑优化，突破至 487 token/p/s。
- 优化零冗余 TP 转 EP 通信机制，性能达 519 token/p/s。
- 通过 DP 间 EOS 检测调度优化，推理吞吐成功突破 618 token/p/s。
一系列优化大幅压缩了长序列 RL 推理的耗时占比，成为昇腾团队推动 RL 训练整体性能提升的核心突破口！
基于 verl 框架的 Qwen2.5 强化学习实践样例
基于 Qwen2.5-1.5B-Instruct 模型，搭配 verl 强化学习框架，在 MATH-lighteval 数学推理数据集上开展训练。
- 训练目标：提升小模型复杂数学问题的分步推理能力，生成逻辑严密、结果可验证的推理过程。
- 硬件门槛：最低仅需单卡 Atlas A2 环境，助力快速上手昇腾 NPU 的 RL 训练任务。
配套优化版 MATH 任务奖励函数
针对原生奖励函数'字符串等价性误判、奖励信号稀疏'的问题，通过多维度分级评分引导模型精准学习。
verl 框架下 MATH 任务的奖励函数总分 1 分，遵循'答案正确性优先'原则：
- 答案错误直接得 0 分。
- 答案正确则分三维度打分：
- math_verify 做数学语义验证的准确度占 0.7 分。
- 符合指定标签样式且规范的格式占 0.2 分。
- 包含有序思考步骤与逻辑关键词的思维链占 0.1 分。
同时答案错误时不评估格式、思维链，避免模型偏离精准求解目标，既解决了原生函数的误判问题，也通过多维度评分缓解了奖励稀疏，同时能引导模型生成更规范的表达、更完整的推理过程。
cann-recipes-train 仓核心定位：连接 CANN 能力与训练业务的桥梁
Cann 仓库诞生源于大模型训练的两大痛点：一是 CANN 平台的底层优化能力如算子调度、内存管理需要结合具体模型场景才能发挥价值，开发者缺乏场景化参考；二是强化学习等复杂训练流程的工程化落地难度高，需兼顾框架整合、硬件适配与性能调优，而 cann-recipes-train 通过'典型模型 + 优化算法 + 可运行样例'的组合，直接打通了'CANN 能力→训练业务'的链路，对开发者来说 cann-recipes-train 不算通用训练框架，更像 CANN 平台训练优化的实战手册。
- 场景聚焦：专门针对 LLM 与多模态模型的训练业务，覆盖强化学习（RL）核心训练场景，解决大模型训练中 高吞吐、易部署、低硬件门槛的实际需求。
- 技术适配：深度整合 CANN 平台的异构计算能力，将抽象的加速算法转化为可直接运行的代码样例，避免重复造轮子。
- 分层支持：提供单卡入门级样例，也包含集群高性能样例，覆盖不同阶段开发者的需求。
总结与展望：cann-recipes-train 助力昇腾生态加速 AI 训练落地
cann-recipes-train 仓库针对 LLM、多模态训练场景中的典型模型、算法，提供基于 CANN 平台的优化样例，方便开发者简单、快速、高效等使用 CANN 进行模型训练。
首批开源样例：
- 入门样例：基于 verl 开源框架 & A2 单卡，Qwen2.5-1.5B RL 训练样例，低成本快速上手。
- 优化样例：基于 verl 开源框架 & A3 集群，DeepSeek-R1 RL 训练样例，实现大集群高吞吐训练。
