【Agentic RL / 强化学习框架】Miles 项目技术分析---（1）--- 总体
·
0x00 概要
Miles 将 Slime 的"研究级 RL 框架"升级为"Agentic-first 的企业级生产系统"，核心创新在于用 Session/TITO 解决多轮 tokenization 正确性，用全异步 + staleness 解决性能，用 R3 + True On-Policy 解决稳定性。
Miles 的技术特色总结如下：
| 特色 | 核心理念 | 实现 |
|---|---|---|
| Agentic-First | Agent 开发像写普通应用 | Session Server + TITO + agentic_tool_call |
| 正确性优先 | 消除所有训推不一致源 | R3 + FP8 统一 + True On-Policy + TIS/MIS |
| 性能极致 | GPU 永不空闲 | 全异步 + 投机解码 + 零拷贝 + 部分 rollout |
| 渐进式保证 | 从宽松到严格可选 | Staleness(宽) → TIS(中) → True On-Policy(严) |
| 工程纪律 | 静默错误 → 显式断言 | Chat template 验证 + 运行时 prefix 校验 |
| 插件化扩展 | 新模型零改核心代码 | miles_plugins/ + middleware_hub |
| Multi-Agent | 从轻量到生产级 | 内置示例 → MrlX 完整框架 |
下图可以看到Miles的工作：
Miles 的工作 = 利用Slime扩展点
+ 底层内核 / 精度改造 ◄─── 非扩展点
+ RDMA 权重同步基础设施 ◄─── 非扩展点
+ 训练后端深度改造 (FSDP/CP) ◄─── 非扩展点
+ Chat Template 正确性工程 ◄─── 非扩展点
+ 可观测性 / 调试系统 ◄─── 非扩展点
+ 20+ 场景示例生态 ◄─── 非扩展点
+ ......
注：在本文撰写时，朱小霖大神 已经发布了最新版本 slime v0.3.0: 面向 Agent 时代 ，因此，本文涉及的 slime 都是旧版本的表现，不代表 slime 的最新能力。
另：因为本文为从源码反推涉及，且编写仓促，所以肯定有错误，还请读者不吝指出，谢谢。
0x01 基础
1.1 Agentic RL 的需求与难点
在传统 RLHF 中，模型根据一个 prompt 生成一段回答，reward model 对该回答打分，完成一轮训练。
而在 Agentic RL 场景下，Agent（LLM）在一个有状态的环境中通过多轮交互来完成任务——调用工具、搜索信息、执行代码、与外部 API 交互。模型需要从交互的最终结果（而非中间回答的评分）中学习。
1.1.1 传统 RLHF vs Agentic RL 范式对比
以下数值不是精确值。
| 维度 | 传统 RLHF（单轮） | Agentic RL（多轮） |
|---|---|---|
| 交互轮次 | 1 轮 | 10-50+ 轮 |
| 序列长度 | <4K tokens | 8K-64K+ tokens |
| 单次 Rollout 时长 | <10s | 60-600s |
| Token 归属 | 全部归模型 | 混合：model token (loss_mask=1) + env token (loss_mask=0) |
| 环境依赖 | 无 | 强依赖外部环境（Docker/API/沙箱） |
| 失败模式 | 少 | 超时/环境崩溃/格式错误/上下文满/沙箱死亡 |
| Reward 来源 | 固定 Reward Model | 环境结果（test pass, task complete） |
| Credit Assignment | 短序列，信号直接 | 长序列，Reward 在末尾 |
| Off-policy 风险 | 低 | 高（生成慢，模型可能已更新多次） |
1.1.2 核心难点
Agentic RL 的需要是：框架可以处理 推理编排、长程训练、外部环境和工程维护方式等功能，其核心难点具体举例如下：
| 难点 | 具体表现 | 影响 |
|---|---|---|
| 多轮状态管理 | 50 轮 × 200 token = 10K+ token 需要在 session server 中累积追踪 | 内存和 tokenization 一致性压力 |
| Token 混合属性 | env token（工具返回/用户输入）mask=0，model token mask=1；错标一个 = 梯度噪声 | 一个 token 错标 → 该样本梯度方向偏移 |
| Tokenization 一致性 | Jinja loop.last 导致 10% prefix 变化，首轮 tokenization 被后续轮覆盖 |
10% token 不一致 → 训练数据质量下降 |
| 训推不一致 (log prob) | 推理用 SGLang（FP8/int4），训练用 Megatron（BF16），log prob 不一致 | KL 估计失真 → 优势函数偏差 |
| MoE 路由翻转 | ~5-15% token 在训练和推理时路由到不同 expert；精度差异导致 expert 选择不同 → 梯度计算在错误 expert 上 | 前向 log prob 和反向梯度路径不一致 → 训练崩溃 |
| 长尾延迟 | 一个慢 Agent 会话阻塞整个 batch，GPU 利用率暴跌 | GPU 利用率断崖下降 |
| On-Policy 过期 | 120s 推理窗口内模型已更新 2-3 步，但 rollout 仍使用旧模型权重 | 重要性采样权重偏离 |
| Credit Assignment | 50 轮后 reward=1，不知道哪步贡献最大 | 策略梯度信号极稀疏 |
| 异构 Agent 协同 | 不同 agent 用不同模型、不同训练循环、消息队列通信 | 数据结构不统一、reward 非对称 |
| 规模可扩展性 | 1TB+ MoE 模型数十 GB 参数同步 | RDMA 带宽成为瓶颈 |
1.2 系统架构
Miles fork 自 slime，继承其核心的 RL 流水线架构：
Miles 的系统架构如下：
1.3 组件边界说明
Miles 由多个可独立启停的进程/服务组成，以下标准明各组件的职责边界：
| 组件 | 职责 | 何时需要 |
|---|---|---|
| SGLang Engine | 模型推理（ rollout 生成），每个实例管理一组 GPU | 始终需要（无推理则无 rollout） |
| SGLang Router (sglang_router) | Round-robin / cache-aware 推理请求路由 | 多 GPU 推理（默认搭配 SGLang engine） |
Miles Router (miles/router/) |
最少连接负载均衡 + 健康检查 + 故障隔离 + radix tree 缓存中间件 | 高级路由需求：--use-miles-router + --miles-router-middleware-paths |
| Session Server | 多轮会话管理 + TITO 增量 tokenization + OpenAI 格式代理 | Agentic RL（多轮交互）：--use-session-server |
| Megatron Actor | 分布式训练（前向/反向/optimizer step） | 始终需要（--train-backend megatron，默认） |
| FSDP Actor | 分布式训练（实验性后端） | --train-backend fsdp（小规模/非 MoE 模型） |
| Ray | 分布式进程编排、Placement Group、Actor 生命周期 | 始终需要（框架基础设施） |
| mooncake TransferEngine | RDMA 零拷贝权重传输 | P2P 模式（默认，--update-weight-transfer-mode p2p） |
1.4 数据流
miles 的 6 步完整流程如下：
1.4.1 步骤 1：Prompt 输入
路径：
JSONL 文件 → Dataset 加载 → tokenizer/processor 预处理
→ RolloutDataSource.get_samples(batch_size)
→ 每个 prompt 复制 n_samples_per_prompt 份 → list[list[Sample]]
每个 Sample 的初始字段：— prompt, tokens, response, response_length, loss_mask, rollout_log_probs, rollout_routed_experts, reward, status, metadata 等。
1.4.2 步骤 2：Agent 交互（多轮场景）
路径：
Sample → generate(Sample)
→ OpenAIEndpointTracer.create() → POST /sessions → session_id
→ custom_agent_function(base_url, prompt, kwargs, metadata)
→ Agent 内部多次 POST /sessions/{id}/v1/chat/completions
→ Session Server 代理到 SGLang Router → SGLang Engine 推理
→ collect_records() → GET /sessions/{id}
→ compute_samples_from_openai_records() → TITO trailing token trim
→ list[Sample] (每轮一个)
→ merge_samples() / 保持多轮
1.4.3 步骤 3：训练数据转换
路径：_convert_samples_to_train_data()
Sample[] → {
"tokens": [...], # prompt + response 完整 token
"response_lengths": [...], # 每样本 response 长度
"rewards": [...], # 归一化后的奖励
"raw_reward": [...], # 原始奖励
"loss_masks": [...], # 每 token 是否参与 loss
"truncated": [...], # 是否被截断
"rollout_log_probs": [...], # SGLang 推理时的 log prob（用于 TIS）
"rollout_routed_experts": [...], # R3 路由数据
"weight_versions": [...], # 推理时的权重版本（用于 staleness 检测）
}
1.4.4 步骤 4：训练
路径：train_actor()
rollout_data → get_data_iterator() → micro-batches
→ [if R3] _fill_replay_data() → 解析 routed_experts 到 Replay 对象
→ [if KL] _switch_model("ref") → compute_log_prob(ref_log_probs)
→ _switch_model("actor") → compute_log_prob(log_probs)
→ compute_advantages_and_returns() → GRPO/PPO/REINFORCE++
→ train() → Megatron 前向 + 反向 + optimizer step
优势函数计算的核心逻辑见，支持 6 种优势估计器：
| 估计器 | 机制 |
|---|---|
| GRPO | 组内 reward 减去均值 + 可选 std 归一化 |
| GSPO | 组内 reward 归一化 + 序列级 KL 约束 |
| PPO | GAE + value function clipping |
| REINFORCE++ | 逐 token 折扣累积 reward |
| REINFORCE++ Baseline | 同上 + baseline 减方差 |
| On-Policy Distillation | teacher - student log prob 差 |
1.4.5 步骤 5：权重同步
路径：[actor.py] → [mixin.py] → [p2p.py]
Megatron GPU params
→ TP all_gather (收集 tensor parallel 分片)
→ EP all_gather (收集 expert parallel 分片)
→ Megatron→HF 格式转换
→ ParameterMapper.map() (HF name → SGLang name)
→ load_weights() → shared CPU buffer
→ mooncake RDMA write → SGLang GPU memory
→ post_load_weights() (FP8 重量化)
→ weight_version++
1.4.6 步骤 6：循环（全异步变体）
路径：[train_async.py]
rollout_data_next = generate(rollout_id + 1) ← 提前启动
rollout_data_curr = await rollout_data_next ← 等待本次
train(rollout_id, rollout_data_curr) ← 训练与下次 rollout 重叠
0x02 从 Slime 说起
在 Slime 基础上，Miles 将 Slime 的 "支持 Agentic"升级为 "Agentic-first"，提供开箱即用的 Agent 训练工具链。
| 维度 | Slime | Miles (fork) |
|---|---|---|
| 设计初衷 | 通用 LLM RL 后训练框架 | 企业级大规模 Agentic RL |
| Agentic 支持 | 通过异步解耦架构支持 | 继承 + 增强 (多智能体 MrlX) |
| 核心用户 | GLM 系列模型训练 | 更广泛的企业场景 |
2.1 Slime 的职责定位
Slime 是 "分布式 RL/LLM 训练底座" - 负责把 Ray + Megatron + SGLang 组织成可训练、可 rollout、可评估的闭环系统。Slime 的核心职责不是定义具体 agent 玩法，而是提供：
- 训练主循环 (
train.py,train_async.py):rollout->train->save->eval->update weights - Ray 资源编排 (Placement Group, Train Actor, Rollout Manager 生命周期)
- Megatron 训练后端 (模型初始化, train/save, loss/value/log prob 计算)
- SGLang rollout 基础设施 (启动推理引擎, router, generate/eval, 健康检查)
- 插件 / 扩展点 (25+ 个
--xxx-path动态导入接口)
Slime 不负责：复杂 agent/session/tool/多轮语义、训推精确一致性治理、多后端。
2.2 Slime 端到端做了什么
在 train.py 里，Slime 负责完整训练编排：
分配 GPU -> 启动 rollout manager -> 创建 actor/critic -> 每轮：generate rollout -> train -> save -> eval -> update rollout weights
在 rollout 层面：
- 启动 / 恢复 SGLang engine
- Router 地址与端口管理
- Offload/onload
- 健康监控
- 多 server group 组织
在训练后端：
- Megatron 初始化
- Tokenizer/config 加载
- Model/optimizer/scheduler 初始化
- Rollout 数据转训练 batch
- Policy/value/log prob/loss 计算
- Actor -> rollout 权重同步
2.3 Slime 的扩展点体系
Slime 明确把以下内容(举例)设计成可插拔，这样开发者可以定制：
| 类别 | 扩展点 | 机制 |
|---|---|---|
| Rollout | --rollout-function-path / --custom-generate-function-path / --eval-function-path |
import path |
| 数据 | --data-source-path / --buffer-filter-path |
import path |
| 过滤 | --dynamic-sampling-filter-path / --rollout-sample-filter-path |
import path |
| Reward | --custom-rm-path / --custom-reward-post-process-path |
import path |
| Loss | --custom-loss-function-path / --custom-tis-function-path / --custom-pg-loss-reducer-function-path |
import path |
| 训练 | --custom-convert-samples-to-train-data-path / --custom-advantage-function-path |
import path |
| Megatron Hooks | --custom-megatron-init-path / before-log-prob-hook / before-train-step-hook |
import path |
| 模型 | args.spec / @register_model / @MegatronModelBridge.register_bridge |
import + 注册 |
| 日志 | --custom-rollout-log-function-path / --custom-eval-rollout-log-function-path |
import path |
| ABC | DataSource / TrainRayActor / HfWeightIteratorBase / HuggingfaceAttention |
继承 |
0x03 Miles 的升级
Miles 将 Slime 的"研究级 RL 框架"升级为"Agentic-first 的企业级生产系统"，核心创新在于用 Session/TITO 解决多轮 tokenization 正确性，用全异步 + staleness 解决性能，用 R3 + True On-Policy（当前支持 dense 模型）解决稳定性。
3.1 升级思路 --- 三层利用策略
虽然 Slime 提供了扩展点，但是 Miles 并没有简单的利用扩展点，而是“利用扩展点 + 新增架构层 + 深度改造核心” 三者并行。具体可以分为三层：
- Layer C: 新增架构层 (Miles 独创) Session Server / TITO / Miles Router / Agent Hook → Slime 完全没有预见
- Layer B: 深度改造 (修改 Slime 核心 + 扩展点) 改默认 rollout/data-source / 删 advantage hook 类 / 优化 rollout 合约 / bridge 路径切换
- Layer A: 直接利用扩展点 (Slime 设计的 path hooks) custom-generate / custom-rm / dynamic-filter ， Miles 用户进一步通过这些接口接入自己的逻辑
3.2 分工边界
Slime 做 "能跑起来"，Miles 做 "跑得正确 + 跑得快 + 跑复杂场景"。因此，两者分工边界如下：
| 维度 | Slime 负责 | Miles 负责 |
|---|---|---|
| 训练主循环 | 基本闭环 (同步/异步骨架) | 异步化增强 / AsyncRolloutWorker / Staleness |
| Ray 编排 | PG / Actor Group / Rollout Manager | 在上面加 runtime 语义，不改编排层 |
| Rollout | 单次 generate + eval + 基础 router | Session 多轮 + tool call + agent loop + 统一编排 |
| 训练后端 | Megatron only | Megatron 增强 + FSDP + 跨后端公共抽象 |
| 权重同步 | 基础 HTTP 传输 | broadcast + P2P RDMA + 多并行布局 |
| MoE 支持 | 基础 | + R3 路由重放, 解决训推不一致 |
| 算法一致性 | 无系统治理 | 频谱：Staleness -> TIS -> R3 -> True On-Policy |
| Token 正确性 | 无验证 | TITO + template 验证 + append-only 校验 |
| 可观测性 | 基础 logging | 4 后端 Tracking + debug dump + profiling |
| 模型生态 | GLM 为主的支持 | 10+ 模型族 bridge + megatron_bridge patch |
3.3 Miles工作全景
下表为Miles工作全景，对于主要工作领域进行分类，看看属于三层中哪一层。其中：
- Layer A. 利用扩展点：通过 Slime 预设的
--xxx-path接口注入实现
- Layer B. 新增架构层：Slime 完全没有的模块，Miles 从零建设
- Layer C. 深度改造/修改核心：对 Slime 原有代码的深度改造 / 重写
| 工作领域 | Layer A. 利用扩展点 | Layer B. 新增架构层 | Layer C. 深度改造/修改核心 |
|---|---|---|---|
| ① Rollout 生成 | agentic_tool_call/multi_turn/single_turn |
generate_utils/ (token对齐/loss_mask/prefill log prob) |
inference_rollout/ 重构调度架构 |
| ② Session & 多轮 | - | Session Server / Linear Trajectory / TITO / Template 验证 / --custom-agent-function-path |
- |
| ③ Reward 体系 | 8+ 内置 RM | rm_hub/ 异步框架 |
- |
| ④ 样本过滤 | check_reward_nonzero_std / check_no_aborted |
filter_hub/ 协议抽象 |
- |
| ⑤ 数据源 | RolloutDataSourceWithBuffer |
- | 默认数据源切换 |
| ⑥ 训练 Loss | 保留 loss/tis 扩展点 | training_utils/loss.py 跨后端公共层 |
Loss 重构 (TIS/OPD/true-on-policy/CP) |
| ⑦ 训练一致性 | - | True On-Policy 契约 / FP8 统一内核 | 训练侧可直接用 rollout log prob |
| ⑧ MoE 路由 | - | - | R3 路由重放注入 MoE 层 |
| ⑨ 权重同步 | - | P2P RDMA 零拷贝 | 多并行布局支持 + broadcast 增强 |
| ⑩ Router & 中间件 | - | Miles Router / RadixTree 中间件 | - |
| ⑪ 训练后端 | args.spec 保留 |
FSDB 后端 / training_utils/ 抽象 |
Megatron actor 增强 (LoRA/CP/P2P/debug) |
| ⑫ SGLang 集成 | - | sglang_utils/ 引擎管理 |
rollout 启动改造 |
| ⑬ 模型插件 | 10+ 模型 bridge | megatron_bridge/ Core patch |
bridge 加载路径切换 |
| ⑭ 可观测性 | 保留 log 扩展点 | Tracking 4 后端 / Debug Engine | Tracking 生命周期改造 |
| ⑮ 训练主循环 | - | - | 全异步 / Staleness 过滤 / AsyncRolloutWorker |
| ⑯ 参数系统 | - | 200+ 新参数 / 插件自注册 args | 删除 advantage hook; 默认值调整 |
具体统计
| 改造方式 | 涉及领域数 | 工作量占比 |
|---|---|---|
| A. 利用扩展点（Layer A） | 5 | ~15% |
| B. 新增架构层（Layer B） | 12 | ~45% |
| C. 修改核心（Layer C） | 10 | ~40% |
免费领 150 小时云算力，进群参与显卡、AI PC 幸运抽奖
更多推荐
5
0- 0
已为社区贡献1条内容
所有评论(0)