在昇腾 NPU 上运行 RLVR 流水线

最后更新：2026/04/28。

本文档提供在华为昇腾 NPU 上运行 RLVR（Reinforcement Learning with Verifiable Rewards）流水线的端到端指南，涵盖环境准备、数据准备、模型下载、配置编写、训练启动、监控与评估，以及从 checkpoint 恢复训练。

工作流概览

从零开始在 NPU 上运行 RLVR 任务包含以下步骤：

1. 环境准备 → 2. 数据准备 → 3. 模型准备 → 4. 编写配置 → 5. 启动训练 → 6. 监控与评估 → 7. 从 Checkpoint 恢复

步骤 1：环境准备

1.1 硬件与驱动前置条件

请确保硬件和宿主机驱动已经准备就绪：

项目	要求
硬件	Atlas 900 A2 PODc（Ascend 910B1）或 Atlas 900 A3 PODc（Ascend 910_9391）
宿主机 OS	Ubuntu 22.04
CANN	9.0.0
Ascend NPU 驱动	已在宿主机安装（npu-smi info 能看到设备）
Docker	>= 20.10

1.2 获取 Docker 镜像

请使用与硬件匹配的预构建昇腾镜像。官方 ROLL NPU 镜像标签可在 https://quay.io/repository/ascend/roll?tab=tags 查看。容器启动细节参见 Ascend NPU Docker 使用指南。

# A2 硬件
docker pull quay.io/ascend/roll:main-a2
docker tag quay.io/ascend/roll:main-a2 roll:ascend-a2

# A3 硬件
docker pull quay.io/ascend/roll:main-a3
docker tag quay.io/ascend/roll:main-a3 roll:ascend-a3

当前仓库提供 docker/Dockerfile.A2 和 docker/Dockerfile.A3，用于构建自定义镜像。如果你维护自定义镜像，请确保依赖版本与预构建镜像保持一致。

1.3 启动容器

docker run -dit \
    --name roll_npu \
    --ulimit nofile=65536:65536 \
    --device /dev/davinci0 \
    --device /dev/davinci1 \
    --device /dev/davinci2 \
    --device /dev/davinci3 \
    --device /dev/davinci4 \
    --device /dev/davinci5 \
    --device /dev/davinci6 \
    --device /dev/davinci7 \
    --device /dev/davinci_manager \
    --device /dev/devmm_svm \
    --device /dev/hisi_hdc \
    -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
    -v /usr/local/Ascend/add-ons:/usr/local/Ascend/add-ons \
    -v /usr/local/dcmi:/usr/local/dcmi \
    -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
    -v /etc/ascend_install.info:/etc/ascend_install.info \
    -v /path/to/models:/data/models \
    -v /path/to/data:/data \
    --ipc=host \
    --net=host \
    roll:ascend-a3 \
    /bin/bash

注意： -v /path/to/models:/data/models 和 -v /path/to/data:/data 分别挂载模型权重目录和训练数据目录。请根据实际环境调整路径。

1.4 验证环境

进入容器后，执行：

# 验证 NPU 可见性
npu-smi info

# 验证 CANN 环境是否已加载
env | grep -E "ASCEND|LD_LIBRARY_PATH|PATH"

# 验证 Python 包
python -c "import torch; import torch_npu; print(torch.npu.is_available())"
python -c "import vllm; print(f'vllm: {vllm.__version__}')"
python -c "import vllm_ascend; print(f'vllm_ascend available')"

如果以上验证均通过，说明环境已经准备就绪。环境变量的详细说明参见 NPU 环境配置指南。

步骤 2：数据准备

RLVR 流水线使用 JSONL 格式的数据文件。不同奖励领域需要不同的数据字段。

2.1 数据格式

通用字段（所有领域都必需）

字段	类型	是否必需	说明
id	string/int	是	数据样本的唯一标识
messages 或 prompt	string	是	输入 prompt；messages 是消息列表的 JSON 字符串
tag	string	是	奖励领域标签，用于决定使用哪个 Reward Worker

领域专属字段

领域	tag 值	必需字段	说明
数学规则	math_rule	ground_truth	正确答案
代码沙箱	code_sandbox（如 KodCode）	test_cases, case_type	测试用例和类型（如 pytest）
LLM Judge	llm_judge（如 RLVR）	ground_truth	参考答案或参考回复
IFEval	ifeval	无额外字段	基于规则的指令遵循评估
CrossThinkQA	crossthinkqa	ground_truth	跨学科推理答案

数据样例

数学领域（math_rule）：

{
    "id": "0",
    "source": "gsm8k",
    "difficulty": 0,
    "prompt": "Solve the equation 3x + 5 = 14",
    "messages": "[{\"role\": \"system\", \"content\": \"You are a math assistant.\"}, {\"role\": \"user\", \"content\": \"Solve the equation 3x + 5 = 14\"}]",
    "ground_truth": "3",
    "tag": "math_rule"
}

代码领域（code_sandbox）：

{
    "id": "5ea1ab",
    "source": "codeforces",
    "difficulty": "0",
    "prompt": "Write a function that takes an array of distinct integers and returns all possible permutations.",
    "messages": "[{\"role\": \"user\", \"content\": \"Write a function...\"}]",
    "ground_truth": "[\"def permute(nums): ...\"]",
    "case_type": "pytest",
    "test_case_function": "",
    "test_cases": "[{\"assert_code\": \"def test_permute(): ...\"}]",
    "tag": "KodCode"
}

2.2 数据放置

将数据文件放到容器内的某个目录中（如 /data/），并在 actor_train.data_args 中指定路径：

actor_train:
  data_args:
    file_name:
      - data/math_deepmath_deal.jsonl
      - data/code_KodCode_data.jsonl
    dataset_dir: data

2.3 验证数据

验证数据用于训练过程中的周期性评估。请在 validation 配置中指定：

validation:
  data_args:
    template: qwen2_5
    file_name:
      - data/math_benchmarks.jsonl
  generating_args:
    max_new_tokens: ${response_length}
    top_p: 0.6
    temperature: 0.6
    num_return_sequences: 1

验证数据中的 tag 字段应与训练数据中的 tag 保持一致，这样才能按领域报告准确率。

步骤 3：模型准备

3.1 下载模型权重

RLVR 流水线需要以下模型：

模型	配置键	说明
Actor / Reference 模型	pretrain	用于训练和推理的策略模型
Reward 模型	reward_pretrain	Reward Worker 中使用的模型（如数学规则奖励中的答案抽取）

以 Qwen2.5-7B 为例：

# 使用 ModelScope 下载（推荐中国大陆用户使用）
pip install modelscope
modelscope download --model Qwen/Qwen2.5-7B --local_dir /data/models/Qwen2.5-7B

# 或使用 HuggingFace 下载
huggingface-cli download Qwen/Qwen2.5-7B --local-dir /data/models/Qwen2.5-7B

3.2 在配置中指定模型路径

pretrain: Qwen/Qwen2.5-7B           # 从 ModelScope/HuggingFace 自动下载
# 或使用本地路径
# pretrain: /data/models/Qwen2.5-7B

reward_pretrain: Qwen/Qwen2.5-7B

提示： 如果容器内网络访问受限，请提前在宿主机下载模型，通过 -v 挂载到容器中，并在配置中使用本地路径。

步骤 4：编写 NPU 配置

与 GPU 的关键差异

将 GPU RLVR 配置适配到 NPU 时，必须进行以下修改：

项目	GPU	NPU
训练后端	Megatron 或 FSDP2	仅 FSDP2（NPU 不支持 Megatron）
推理后端	vLLM	vLLM-Ascend
Reference 模型策略	megatron_infer	fsdp2_infer
注意力实现	flash_attn 或 fa2	通过 transformers 使用 fa2（不能使用 flash_attn 包）
通信后端	NCCL	HCCL
设备可见性	CUDA_VISIBLE_DEVICES	ASCEND_RT_VISIBLE_DEVICES
分片配置	FSDP2 或 Megatron 优化器分片	FSDP2，7B+ 模型推荐 offload_policy: true

完整 NPU 配置样例

下面是一个完整的 NPU 适配配置（改编自 examples/ascend_examples/qwen3_30b_rlvr_fsdp2.yaml），关键差异使用 # NPU 注释标记：

hydra:
  run:
    dir: .
  output_subdir: null

exp_name: "qwen3-30BA3B-rlvr-npu"
seed: 42
logging_dir: ./output/logs
output_dir: ./output
system_envs:
  USE_MODELSCOPE: '1'
  HCCL_NPU_SOCKET_PORT_RANGE: auto       # NPU：允许同卡多进程 HCCL 自动分配 device 侧端口
  VLLM_ASCEND_ENABLE_NZ: '0'             # NPU：RL 权重刷新场景需禁用 FRACTAL_NZ

checkpoint_config:
  type: file_system
  output_dir: ./output/models/${exp_name}

track_with: tensorboard
tracker_kwargs:
  log_dir: ./output/tensorboard/rlvr_npu
rpc_timeout: 72000

num_gpus_per_node: 16

max_steps: 500
save_steps: 100
logging_steps: 1
eval_steps: 10
resume_from_checkpoint: false

rollout_batch_size: 32
prompt_length: 2048
response_length: 4096
num_return_sequences_in_group: 8

ppo_epochs: 1
adv_estimator: "reinforce"

value_clip: 0.5
reward_clip: 10
advantage_clip: 2.0
dual_clip_loss: true

norm_mean_type: ~
norm_std_type: ~

max_len_mask: true
difficulty_mask: true
difficulty_low_threshold: 0.1
difficulty_high_threshold: 0.95
error_max_len_clip: false

difficulty_loss_weight: false
length_loss_weight: false

add_token_level_kl: false
whiten_advantages: true

pretrain: Qwen/Qwen3-30B-A3B
reward_pretrain: Qwen/Qwen3-30B-A3B

actor_train:
  model_args:
    disable_gradient_checkpointing: false
    dtype: bf16
    model_type: ~
  training_args:
    learning_rate: 1.0e-6
    weight_decay: 0
    per_device_train_batch_size: 2
    gradient_accumulation_steps: 8
    warmup_steps: 20
    num_train_epochs: 50
  data_args:
    template: qwen2_5
    file_name:
      - data/math_deepmath_deal.jsonl
    domain_interleave_probs:
      math_rule: 1
    dataset_dir: data
    messages: messages
    interleave_probs: "1.0"
    preprocessing_num_workers: 16
  strategy_args:
    strategy_name: fsdp2_train      # NPU：必须使用 FSDP2，不能用 megatron_train
    strategy_config:
      fsdp_size: 16                 # NPU：FSDP2 分片大小
      param_dtype: bf16
      reduce_dtype: bf16
      offload_policy: true          # NPU：大模型启用 CPU offloading
      apply_expert_patch: true      # NPU：MoE 模型必须启用
      apply_tiled_mlp: true         # NPU：TiledMLP 降低显存
      tiled_num_shards: 8
      reshard_after_forward: true
      wrap_policy:                  # NPU：MoE 专用 wrap policy
        wrap_embeddings: true
        wrap_lm_output: true
        moe_experts:
          - Qwen3MoeMLP
        transformer_layer_cls_to_wrap:
          - Qwen3MoeAttention
          - Qwen3MoeSparseMoeBlock
  use_remove_padding: true
  device_mapping: list(range(0,16))     # NPU：训练使用 NPU 0-15
  infer_batch_size: 2

actor_infer:
  model_args:
    disable_gradient_checkpointing: true
    dtype: bf16
  generating_args:
    max_new_tokens: ${response_length}
    top_p: 0.99
    top_k: 100
    num_beams: 1
    temperature: 0.99
    num_return_sequences: ${num_return_sequences_in_group}
  data_args:
    template: qwen2_5
  strategy_args:
    strategy_name: vllm                 # NPU：使用 vLLM-Ascend 推理
    strategy_config:
      gpu_memory_utilization: 0.8
      block_size: 16
      max_model_len: 6144
      tensor_parallel_size: 2
      enforce_eager: true
      load_format: dummy
  device_mapping: list(range(0,16))     # NPU：推理与训练共享 NPU
  infer_batch_size: 1

reference:
  model_args:
    disable_gradient_checkpointing: true
    dtype: bf16
    model_type: ~
  data_args:
    template: qwen2_5
  strategy_args:
    strategy_name: fsdp2_infer          # NPU：使用 fsdp2_infer，不能用 megatron_infer
    strategy_config:
      fsdp_size: 16
      param_dtype: bf16
      reduce_dtype: bf16
      apply_tiled_mlp: true
      tiled_num_shards: 8
      reshard_after_forward: true
      offload_policy: true
  device_mapping: list(range(0,16))     # NPU：Reference 与训练共享 NPU
  infer_batch_size: 2

rewards:
  math_rule:
    worker_cls: roll.pipeline.rlvr.rewards.math_rule_reward_worker.MathRuleRewardWorker
    model_args:
      model_name_or_path: ${reward_pretrain}
    data_args:
      template: qwen2_5
    tag_included: [deepmath_103k, aime]
    world_size: 8
    infer_batch_size: 1

关键配置变更说明

1. 训练策略：使用 FSDP2 替代 Megatron

# GPU（原始配置）
actor_train:
  strategy_args:
    strategy_name: megatron_train
    strategy_config:
      tensor_model_parallel_size: 1
      pipeline_model_parallel_size: 1

# NPU（适配后）
actor_train:
  strategy_args:
    strategy_name: fsdp2_train
    strategy_config:
      fsdp_size: 4
      param_dtype: bf16
      reduce_dtype: bf16
      reshard_after_forward: true
      offload_policy: true

在 4 张 NPU 上运行 7B 模型时，设置 offload_policy: true 可以启用 CPU offloading 避免 OOM。对于更小的模型（如 0.5B），offload_policy: false 可能已经足够。

2. Reference 模型：使用 fsdp2_infer 替代 megatron_infer

# GPU
reference:
  strategy_args:
    strategy_name: megatron_infer

# NPU
reference:
  strategy_args:
    strategy_name: fsdp2_infer
    strategy_config:
      fsdp_size: 4
      param_dtype: bf16
      reduce_dtype: bf16
      reshard_after_forward: true
      offload_policy: true

3. 注意力实现

通过 transformers 库使用 fa2，不要使用 flash_attn 包：

actor_train:
  model_args:
    attn_implementation: fa2    # 不能使用 flash_attn

4. 系统环境变量

ROLL 会为 worker 注入设备可见性和 Ray 运行时变量，但生产运行时仍建议显式设置 HCCL、显存、vLLM-Ascend、缓存和日志相关变量。推荐的单机和多机环境变量设置参见 NPU 环境配置指南。

步骤 5：启动训练

单机

运行仓库中提供的昇腾 RLVR 示例：

cd /workspace/ROLL
export PYTHONPATH="/workspace/ROLL:$PYTHONPATH"

python examples/start_rlvr_pipeline.py \
    --config_path ascend_examples \
    --config_name qwen3_30b_rlvr_fsdp2

如果你将上面的自定义配置保存为 <config_dir>/rlvr_npu.yaml，则使用 --config_path <config_dir> --config_name rlvr_npu。

多机

对于跨多个昇腾 NPU 节点的多机训练，ROLL 通过环境变量提供自动 Ray 集群管理。

设置

启动前，请在每个节点上设置以下环境变量。请将占位符替换为实际值：

Head 节点（RANK=0）：

# Ray 集群
export RANK=0
export WORLD_SIZE=2
export MASTER_ADDR=10.0.0.1            # Head 节点 IP
export MASTER_PORT=6379
export DASHBOARD_PORT=8265

# HCCL 多机通信
export HCCL_CONNECT_TIMEOUT=3600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_DETERMINISTIC=false
export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_NPU_SOCKET_PORT_RANGE="auto"
export HCCL_IF_IP=10.0.0.1             # 当前节点 IP
export HCCL_SOCKET_IFNAME="enp194s0f0" # HCCL 网络接口
export HCCL_IF_BASE_PORT=23456

# vLLM-Ascend RL 场景
export VLLM_ASCEND_ENABLE_NZ=0

# NPU 显存、CPU、vLLM、缓存、日志等（同单机设置）
# 完整列表参见 NPU 环境配置指南

Worker 节点（RANK=1）：

# Ray 集群
export RANK=1
export WORLD_SIZE=2
export MASTER_ADDR=10.0.0.1            # Head 节点 IP（同上）
export MASTER_PORT=6379
export DASHBOARD_PORT=8265

# HCCL 多机通信
export HCCL_CONNECT_TIMEOUT=3600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_DETERMINISTIC=false
export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_NPU_SOCKET_PORT_RANGE="auto"
export HCCL_IF_IP=10.0.0.2             # 当前节点 IP
export HCCL_SOCKET_IFNAME="enp194s0f0"
export HCCL_IF_BASE_PORT=23456

# vLLM-Ascend RL 场景
export VLLM_ASCEND_ENABLE_NZ=0

# NPU 显存、CPU、vLLM、缓存、日志等（同单机设置）

启动

在所有节点运行相同命令。ROLL 会读取 RANK，决定当前进程以 head 还是 worker 方式启动。

运行这些命令前，请先将多机配置保存为 <config_dir>/rlvr_npu_multinode.yaml。

在 Head 节点上：

cd /workspace/ROLL
export PYTHONPATH="/workspace/ROLL:$PYTHONPATH"

python examples/start_rlvr_pipeline.py \
    --config_path <config_dir> \
    --config_name rlvr_npu_multinode

在每个 Worker 节点上：

cd /workspace/ROLL
export PYTHONPATH="/workspace/ROLL:$PYTHONPATH"

python examples/start_rlvr_pipeline.py \
    --config_path <config_dir> \
    --config_name rlvr_npu_multinode

Worker 节点会输出已加入集群的日志，然后退出（sys.exit(0)）。对应的 Ray 进程会保持存活，用于服务训练任务。Head 节点会继续执行完整训练流水线。

提示

也可以在运行流水线前手动预启动 Ray（head 节点执行 ray start --head，worker 节点执行 ray start --address=...）。ROLL 会检测已有集群并跳过自动启动。

验证集群

在 Head 节点上检查所有节点是否已经加入：

ray status

输出中应能看到来自所有节点的 NPU 资源。例如，2 节点 × 8 NPU：

Resources
---------------------------------------------------------------
Total: 128.0 CPU, 16.0 NPU, ...

多机配置

对于多机配置，需要调整 device_mapping 以覆盖跨节点的 NPU。例如，2 节点 × 8 NPU：

num_gpus_per_node: 8

# 训练在 Node0 的 NPU 0-7 上执行
actor_train:
  strategy_args:
    strategy_name: fsdp2_train
    strategy_config:
      fsdp_size: 8
      param_dtype: bf16
      reduce_dtype: bf16
      reshard_after_forward: true
      offload_policy: true
  device_mapping: list(range(0,8))

# 推理在 Node1 的 NPU 0-7 上执行
actor_infer:
  strategy_args:
    strategy_name: vllm
    strategy_config:
      gpu_memory_utilization: 0.8
      max_model_len: 8000
  device_mapping: list(range(8,16))

# Reference 模型共享推理 NPU
reference:
  strategy_args:
    strategy_name: fsdp2_infer
    strategy_config:
      fsdp_size: 8
      param_dtype: bf16
      reduce_dtype: bf16
      reshard_after_forward: true
      offload_policy: true
  device_mapping: list(range(8,16))

包含数据准备和 Reward Worker 的完整多机配置样例参见 NPU 端到端配置样例。

多机重要注意事项

• 需要共享存储： 模型权重、训练数据和 checkpoint 必须能在所有节点以相同路径访问。请将 NFS 或其他共享文件系统挂载到每个容器中。
• 网络要求： 所有节点必须位于同一二层网络中。所有 worker 节点都必须能访问 head 节点的 6379 端口。
• HCCL 网络接口： 所有节点上的 HCCL_SOCKET_IFNAME 必须一致，并且应对应高速互联网络（如 RoCE）。可使用 ip addr 或 hccn_tool 识别正确网卡。

步骤 6：监控与评估

6.1 训练监控

ROLL 内置支持 TensorBoard。请在配置中指定日志目录：

track_with: tensorboard
tracker_kwargs:
  log_dir: ./output/tensorboard/rlvr_npu

启动 TensorBoard：

tensorboard --logdir ./output/tensorboard/rlvr_npu --port 6006

建议重点监控以下指标：

指标	说明
time/step_total	每步总耗时
time/step_generate	推理生成耗时
time/step_train	训练更新耗时
train/loss	训练损失
train/lr	当前学习率
reward/mean	平均奖励
response_length/mean	平均生成长度

6.2 验证评估

流水线会按 eval_steps 间隔自动运行验证评估。验证结果包括：

指标	说明
val_correct/all/mean	所有验证样本的准确率
val_correct/<tag>/mean	每个 tag 分组的准确率（如 val_correct/math_rule/mean）

验证准确率是衡量 RLVR 训练效果的核心指标。随着训练推进，该指标通常应逐步提升。

6.3 生成样例

训练过程中，每隔 logging_steps 步会将生成样例打印到日志中，便于直观评估模型输出质量。

步骤 7：从 Checkpoint 恢复

7.1 Checkpoint 保存

流水线会按照 save_steps 间隔，自动将 checkpoint 保存到 checkpoint_config.output_dir：

checkpoint_config:
  type: file_system
  output_dir: /data/models/${exp_name}

save_steps: 100

7.2 从 Checkpoint 恢复

将 resume_from_checkpoint 设置为 checkpoint 路径即可恢复训练：

resume_from_checkpoint: ./output/models/qwen3-30BA3B-rlvr-npu/checkpoint-100

或者在启动命令中覆盖该参数：

python examples/start_rlvr_pipeline.py \
    --config_path <config_dir> \
    --config_name rlvr_npu \
    resume_from_checkpoint=./output/models/qwen3-30BA3B-rlvr-npu/checkpoint-100

设备映射参考

以下是 RLVR 常见的 NPU 资源分配模式。可以根据工作负载和硬件情况选择共卡模式（训练和推理共享 NPU）或分离模式：

8 卡单机（7B 模型）

组件	NPU	数量	说明
actor_train	0-3	4	FSDP2 + CPU offloading
actor_infer	4-7	4	vLLM-Ascend
reference	4-7（共享）	-	fsdp2_infer，与 actor_infer 共享
reward workers	CPU	-	数学规则和代码沙箱运行在 CPU 上

16 卡单机（A3，7B 模型）

组件	NPU	数量	说明
actor_train	0-7	8	FSDP2
actor_infer	8-15	8	vLLM-Ascend
reference	8-15（共享）	-	fsdp2_infer，与 actor_infer 共享
reward workers	CPU	-	数学规则和代码沙箱运行在 CPU 上

2×8 卡多机（7B 模型）

组件	NPU	数量	说明
actor_train	Node0: 0-7	8	FSDP2 + CPU offloading
actor_infer	Node1: 0-7	8	vLLM-Ascend
reference	Node1: 0-7（共享）	-	fsdp2_infer，与 actor_infer 共享
reward workers	CPU	-	数学规则和代码沙箱运行在 CPU 上

NPU 上支持的 Reward Worker

NPU 上支持以下 RLVR Reward Worker：

Reward Worker	类	NPU 兼容性	说明
Math Rule Reward	MathRuleRewardWorker	✅ 支持	基于规则评估，运行在 CPU 上
Code Sandbox Reward	CodeSandboxRewardWorker	✅ 支持	在沙箱中执行代码，运行在 CPU 上
LLM Judge Reward	LLMJudgeRewardWorker	✅ 支持	需要额外 NPU 用于 judge 模型推理
IFEval Rule Reward	GeneralRuleRewardWorker	✅ 支持	基于规则评估，运行在 CPU 上
CrossThinkQA Reward	CrossThinkQARuleRewardWorker	✅ 支持	基于规则评估，运行在 CPU 上

警告

使用 LLMJudgeRewardWorker 时，judge 模型需要独立的 NPU 设备进行推理。请确保在 device_mapping 中为 judge 模型分配独立 NPU，不要与 actor_infer 或 actor_train 共享。

GPU 到 NPU 配置迁移 Checklist

将已有 GPU RLVR 配置迁移到 NPU 时，可使用以下 checklist：

• 将 actor_train.strategy_args.strategy_name 从 megatron_train 改为 fsdp2_train
• 将 actor_train.strategy_args.strategy_config 改为 FSDP2 配置（7B+ 模型使用 offload_policy: true）
• 将 reference.strategy_args.strategy_name 从 megatron_infer 改为 fsdp2_infer
• 将 reference.strategy_args.strategy_config 设置为与 actor_train 一致的 FSDP2 配置
• 在 actor_train.model_args 和 reference.model_args 中添加 attn_implementation: fa2
• 移除所有 flash_attn 引用
• 移除所有 Megatron 专属配置（如 tensor_model_parallel_size、pipeline_model_parallel_size）
• 如果使用 llm_judge reward worker，确认它有独立的 NPU 分配

常见问题

首次推理请求极慢

模型加载后的首次推理请求会触发算子编译，可能需要几分钟。这是一次性开销。可通过以下方式缓解：

1. 启用算子编译缓存（参见 NPU 环境配置指南 中的 ACL_OP_COMPILER_CACHE_MODE）。
2. 在正式训练循环开始前运行一次 warmup 请求。

7B 模型在 4 张 NPU 上 OOM

如果在 4 张 NPU 上运行 7B 模型时遇到 OOM：

1. 切换到 fsdp2_train 策略并设置 offload_policy: true。
2. 将 per_device_train_batch_size 降到 1。
3. 相应增大 gradient_accumulation_steps。
4. 降低 vLLM 配置中的 max_model_len（如从 8192 降到 4096）。

HCCL 通信超时

参见 FAQ 中的 HCCL 通信超时或失败。

vLLM-Ascend 导入错误

请确认 CANN 环境已经正确 source：

source /usr/local/Ascend/ascend-toolkit/set_env.sh
source /usr/local/Ascend/nnal/atb/set_env.sh

triton 冲突

在 NPU 上，triton 包会与 triton-ascend 冲突。可通过以下方式修复：

pip uninstall -y triton triton-ascend
pip install triton-ascend==3.2.1 --extra-index-url https://mirrors.huaweicloud.com/ascend/repos/pypi

更多排障建议参见 Ascend NPU FAQ。

声明

ROLL 中提供的 Ascend 支持代码皆为参考样例，生产环境使用请通过官方正式途径沟通。