【DeepSeek-R1训练笔记】随手记录一些训练log

背景说明

DeepSeek系列解读请移步我的上一篇blog：【完整版】DeepSeek-R1大模型学习笔记（架构、训练、Infra）
代码仓库【科大的大四老哥太太太太太值得倾佩了】：https://github.com/Unakar/Logic-RL
DeepSeek-R1-Zero复现文档：https://evxpwrsfkdb.feishu.cn/docx/NokEdaMBmo6aqZxVdxkcSm2cnab
趁着DeepSeek火起来的这个风口，自己抓紧学习一下大模型的基础知识，慢慢把之前积累的一些东西串起来
非常佩服科大的老哥，前途无量，正好我来学习一下大模型训练过程，看下有哪些训练坑和经验值得总结

基本设置

训练算法：DeepSeek-R1-Zero纯RL训练（无long CoT、SFT和蒸馏过程）
Base model：Qwen/Qwen2.5-7B-Instruct-1M（huggingface传送门）
训练脚本执行：
bash 复制代码
```
bash main_grpo.sh
```

RL训练过程

第一阶段：正确的格式学习（3PPL数据集）

训练400个step
wandb file：run-20250207_161945-1oftdu9q

main_grpo.sh脚本配置如下：

bash 复制代码

set -x
MODEL_PATH='Qwen2.5-7B-Instruct-1M'
export VLLM_ATTENTION_BACKEND=XFORMERS
python3 -m verl.trainer.main_ppo \
    algorithm.adv_estimator=grpo \
    data.train_files=data/kk/instruct/3ppl/train.parquet \
    data.val_files=data/kk/instruct/3ppl/test.parquet \
    data.train_batch_size=2 \
    data.val_batch_size=4 \
    data.max_prompt_length=400 \
    data.max_response_length=2048 \
    actor_rollout_ref.model.path=$MODEL_PATH \
    actor_rollout_ref.actor.optim.lr=3e-7 \
    actor_rollout_ref.model.use_remove_padding=True \
    actor_rollout_ref.actor.ppo_mini_batch_size=256 \
    actor_rollout_ref.actor.ppo_micro_batch_size=64 \
    actor_rollout_ref.actor.use_kl_loss=True \
    actor_rollout_ref.actor.kl_loss_coef=0.001 \
    actor_rollout_ref.actor.kl_loss_type=low_var_kl \
    actor_rollout_ref.model.enable_gradient_checkpointing=True \
    actor_rollout_ref.actor.fsdp_config.param_offload=True \
    actor_rollout_ref.actor.fsdp_config.grad_offload=True \
    actor_rollout_ref.actor.fsdp_config.optimizer_offload=True \
    actor_rollout_ref.rollout.log_prob_micro_batch_size=160 \
    actor_rollout_ref.rollout.tensor_model_parallel_size=1 \
    actor_rollout_ref.rollout.name=vllm \
    actor_rollout_ref.rollout.gpu_memory_utilization=0.6 \
    actor_rollout_ref.rollout.n=16 \
    actor_rollout_ref.ref.log_prob_micro_batch_size=160 \
    actor_rollout_ref.ref.fsdp_config.param_offload=True \
    algorithm.kl_ctrl.kl_coef=0.001 \
    trainer.critic_warmup=0 \
    trainer.logger=['wandb'] \
    trainer.project_name='GRPO_logic_KK' \
    trainer.experiment_name='Qwen-7B' \
    trainer.n_gpus_per_node=2 \
    trainer.nnodes=1 \
    trainer.default_local_dir=local_dir \
    trainer.default_hdfs_dir=null \
    trainer.save_freq=10 \
    trainer.test_freq=10 \
    trainer.total_epochs=1 $@ 2>&1 | tee grpo.log

验证集：效果逐渐变好

平均reward、答案错误的比例、全对的比例、格式错误比例：前三者趋势正确，但是变化不大，格式错误大幅降低！因为这一步主要是在简单的3PPL数据上学格式，大约10个step可以将格式错误降到0.1以下

平均生成长度：有少量增长，但并不明显，应该是还在第一阶段的问题

再看一下生成答案过程中的一些特点：

再看一下出现的格式错误具体原因：

还出现了不同程度的语言混杂问题：