在大型语言模型（LLM）的后训练阶段，强化学习从人类反馈（RLHF）已成为提升模型对齐的关键技术。传统 RLHF 管道通常依赖离线批处理训练，导致在多轮对话场景中难以实现实时优化。VERL（Volcano Engine Reinforcement Learning for LLMs）框架通过引入异步 Actor-Critic 更新机制，解决了这一痛点。该机制允许 Actor 模型的训练与 Rollout 生成解耦，支持在线偏好优化，从而在保持低延迟的同时，实现对多轮对话的增量对齐，而无需进行完整的离线重训。
VERL 的异步 Actor-Critic 更新基于 PPO（Proximal Policy Optimization）算法的核心架构，其中 Actor 负责生成策略（即模型响应），Critic 评估状态价值。不同于同步训练的共置模式，VERL 的 “一歩离线异步训练”（one-step off-policy async training）将 Rollout 模型置于独立的 GPU 集群中，通过 NCCL 通信高效同步权重。这种设计显著降低了 GPU 闲置时间，尤其适用于工具调用频繁的多轮交互场景。例如，在 ReAct 循环中，当 Agent 发出搜索 API 或代码执行请求时，事件循环可立即切换到其他 Rollout 请求，确保 GPU 利用率接近 100%。
证据显示，该机制在 8 张 A100 GPU 上训练 Qwen2.5-3B 模型时，异步模式下的延迟通常低于 300ms，与基线共置模式的吞吐量相当，甚至在多节点扩展时表现出色。实验对比了三种配置：共置基线、独立 Rollout 和一歩离线异步。结果表明，异步同步开销可忽略不计，同时提升了整体训练效率。VERL 还集成了 vLLM 和 SGLang 作为 Rollout 后端，支持基于 Token 的生成接口，避免文本 - Token 转换的不可逆问题，确保优势计算的准确性。在多轮对话中，通过实例 ID 管理有状态会话，异步处理工具调用，进一步降低了延迟。
要落地 VERL 的异步 Actor-Critic 更新，可从配置入手。核心参数包括：设置 actor_rollout_ref.hybrid_engine=False 以禁用混合引擎，实现模型分离；rollout.n_gpus=4 指定 Rollout 模型占用的 GPU 数量（例如总 8 张 GPU 时，剩余用于 Actor 和 Critic）；rollout.nnodes=1 和 trainer.nnodes=1 配置节点数，支持多节点扩展。优化 Rollout 时，使用 rollout.name=vllm 或 sglang，并设置 rollout.gpu_memory_utilization=0.6 控制内存利用率。PPO 更新参数：actor_rollout_ref.actor.ppo_mini_batch_size=256 和 critic.ppo_mini_batch_size=256，确保 Actor 和 Critic 的 mini-batch 大小匹配；actor_rollout_ref.actor.ppo_epochs=4 指定更新轮数，平衡收敛速度与稳定性。KL 散度控制：algorithm.kl_ctrl.type=adaptive 启用自适应 KL 控制器，防止策略崩溃。
对于多轮对话的在线对齐，需集成工具调用支持。使用 SGLang 的 async_generate 接口，通过 Ray Actor 远程调用 TP 组。配置 data.max_prompt_length=512 和 data.max_response_length=1024 处理长序列；启用 data.filter_overlong_prompts=True 过滤过长提示。监控要点包括：追踪权重同步延迟（目标 <300ms），使用 WandB 日志记录 trainer.logger=['console','wandb']；观察 GPU 利用率，避免长尾请求阻塞；优势估计使用 GAE（Generalized Advantage Estimation），参数 algorithm.adv_estimator=grpo 以提升稳定性。在生产环境中，回滚策略为：若 KL 散度超过阈值（e.g., 0.02），暂停异步同步，切换至同步模式重训一轮。
实施清单：
- 安装 VERL 并配置环境：
pip install verl，准备 Ray 集群。 - 数据准备：Parquet 格式的多轮对话数据集，包含提示、响应和偏好标签。
- 模型加载：
actor_rollout_ref.model.path=Qwen/Qwen2.5-3B-Instruct。 - 启动训练：运行
python -m recipe.one_step_off_policy.async_main_ppo，指定配置 YAML。 - 验证：监控收敛曲线，确保 AIME 等基准分数提升 ≥5%。
- 部署：集成到生产 Agent 框架如 LangGraph，测试端到端延迟 <1s。
潜在风险包括异步更新的陈旧性（staleness）可能导致轻微不稳定，但低延迟设计已证明在实践中可控。相比离线 PPO，该方法在多轮场景下将对齐延迟从小时级降至秒级，适用于实时聊天机器人和 Agent 系统。
资料来源：VERL GitHub 仓库（https://github.com/volcengine/verl），PR #2231（one-step off async training recipe），官方文档（https://verl.readthedocs.io/en/latest/）。