昇腾平台下 DeepSeek-R1 与 Qwen2.5 强化学习训练优化实践

• 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。
• 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。

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：

1. 基于 TorchAir 图模式 + AIV 加速 + vLLM-V1 框架优化，吞吐提升至 419 token/p/s。
2. 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。
3. 引入 MoE/MLA 多流并行 + router 逻辑优化，突破至 487 token/p/s。
4. 优化零冗余 TP 转 EP 通信机制，性能达 519 token/p/s。
5. 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

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。训练目标是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。

总结

cann-recipes-train 仓核心定位是连接 CANN 能力与训练业务的'桥梁'。从个人角度来看，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。

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。

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。首批开源样例包括基于 verl 开源框架 & A2 单卡的 Qwen2.5-1.5B RL 训练样例，以及基于 verl 开源框架 & A3 集群的 DeepSeek-V3 RL 训练样例，实现大集群高吞吐训练。