Business Trip: 2601-2602 verl + DanceGRPO

导言

ZJ内部出差，从0到1完成verl + MindSpeed MM + DanceGRPO算法的 t2v RL，达成reward快速持续上升。

家里的时间线

• 25/12/13号启动，
  • 家里先穿刺DanceGRPO+猛犸2 逻辑
  • 两周

时间线/里程碑

260109 - 260215

1.首周：了解现场客户的组织架构，对齐各部分进度，合作代码。

• 25/12/13号启动，
  • 家里先穿刺DanceGRPO+猛犸2 逻辑
  • 客户现场派了一个人，但是进展缓慢

2. 0114 我空降临时来，但是进展飞速，率先实现，reward小规模上涨，长跑reward不崩溃。
   1. 首周：
      1. 0114: Dataloader整改以支持推理输入；
      2. 0115-0116: 整合ZJ现场环境，接入MM Model支持初始化；
   2. 第二周：
      1. 0119-0122: 单卡/减层/不加载RM RL流程通，但是推理出乱码；
      2. 0122-0124: 权重转化、推理接入权重转化后权重、全层遇到CANN报错。
   3. 第三周
      1. 0126-0126: 更新模型最新结构、正常加载权重，修改推理逻辑分支，能正常推理出图片信息。
      2. 训练CANN device init报错，通过消融实验，发现是ray DataProto的metainfo只能存储int数据类型，而不能存储tensor对象导致的错误。
      3. 0127-0128: 依据DanceGRPO算法更新，流程减层通，全层OOM，需要显存分析
      4. 0130 首步loss非nan，解决microBS无法设置的错误
      5. 0131 长跑5小时 OOM
      6. 0202 率先实现 16卡实现小规模奖励上涨。64卡，40步有明显上涨。
      7. 0204 通过chunk 推理decode阶段，降低显存峰值； 实现 64卡，奖励上涨，20小时，40步，reward有明显上涨
      8. 0205 长跑 200步后奖励崩溃，尝试换权重、更新分辨率和帧数。
      9. 0209 发现danceGRPO适配的有问题。训推实现不一致。
      10. 0210 消融实验发现是GBS要大于64，不然会抖动；
      11. 0212 消融实验发现CFG，RL要关闭，不然会导致崩溃。
      12. 0214，修复后拉起精度长跑。
3. 新路线（）
   4. 0122: DiffusionNFT原仓，客户不自信路线，之前有猛犸2的客户开发经验。
   5. 0301: 功能穿刺成功，但是一直reward不能上升，探索后发现是timesteps的采样分布需要靠近降噪后几步。
4. 家里版本路线：
   6. 0126: MM wan2.2 推理OK，首loss不为0
   7. 0128: 开始长跑reward，陷入僵局。，
   8. 0301: 后续采样我现场方案，实现了家里版本reward的上涨
5. GUI agent RL：
   8. 0128 减小BS避免OOM问题
   9. 0131 打通基础NPU，16卡OOM
   10. 0214 通过峰值显存chunk来优化性能，实现agent rl， npu 1.0x 竞品

反思和总结

汇报表达

1. 主导字节猛犸3生成模型的RL联创，首创DanceGRPO算法迁移到verl框架，复用框架能力，打破verl只支持LLM/VLM场景的局限；verl接入MindSpeed MM高性能后端，复用diffusion等模块优化，打通SFT-RL到后训练全链路；两周快速在verl t2i任务上实现reward上涨；识别并适配推理decode模块chunk计算、异步RM动态加载打分等优化点，RL单步效率翻倍；主导精度定位，定位并修复CFG、clip和统一noise等导致的长跑崩溃问题，并通过FSDP2同精度训推实现训推一致性，避免长跑崩溃，最终实现春节64卡，14天长跑，reward从0.4到0.9的持续上升；率先在verl的LLM为主的RL框架上，首先实现多模态生成模型的RL有效实践闭环。
2. 支持北京抖音审核UniVL理解模型适配AnyRes，Packing负载均衡，Temporal Encoding等关键特性，有效保障客户UniVL模型顺利落地。在版本面做好Qwen3VL等模型的版本能力，交付小艺、字节电商等场景；主导verl接入MindSpeed MM/VeOmni后端，实现后训练快速衔接；作为SE主导多模态RL趋势洞察，并在部门内等场合汇报多次。