# verl-rl-training

Скилл помогает настраивать обучение LLM методами подкрепления (RLHF, GRPO, PPO) через библиотеку verl с поддержкой Ray, FSDP и vLLM.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 962 установки · ★ 13956
- Автор: Orchestra Research
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/06-post-training/verl/SKILL.md
- Обновлён: 2026-10-11
- HTML: https://affpapa.org/nevibecode/skills/verl-rl-training

## Что делает

Библиотека verl от команды ByteDance Seed team реализует архитектуру HybridFlow, разделяя логику контроллера Ray и вычисления рабочих процессов. Скилл даёт инструкции по запуску алгоритмов GRPO и PPO для рассуждающих моделей (включая Qwen-3, Llama-3.1 или DeepSeek) размером от 0.5B до 671B параметров.

Внутри описаны пайплайны подготовки данных в Parquet, написание функций наград с парсингом тегов и запуск генерации через vLLM или SGLang. Для моделей крупнее 70B предусмотрена связка с Megatron-LM через `mbridge` с тензорным и пайплайн-параллелизмом.

Для работы обязателен стек из `torch>=2.0.0`, `ray>=2.41.0` и `verl>=0.3.0`. Развернуть такие рецепты на слабом железе не получится: базовый воркфлоу GRPO рассчитан минимум на кластер из 8 GPU.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill verl-rl-training -a claude-code
```
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill verl -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/verl/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/verl/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill verl -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/verl/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill verl -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/verl/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Orchestra-Research/AI-Research-SKILLs verl
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/verl/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill verl -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/Orchestra-Research/AI-Research-SKILLs --path 06-post-training/verl
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/verl/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill verl -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/06-post-training/verl/SKILL.md

## Когда брать
- сконфигурировать обучение рассуждающей модели по алгоритму GRPO
- написать функцию награды для математических задач с парсингом ответов
- запустить PPO с отдельной critic-моделью и оценкой GAE
- подготовить распределённое обучение моделей более 70B на базе Megatron-LM

## Примеры запросов агенту
- Помоги составить конфиг verl для GRPO обучения Qwen2.5-7B на датасете GSM8K.
- Как настроить PPO с отдельной critic-моделью в verl?
- Напиши функцию награды для извлечения ответов из тегов boxed.

## Похожие
- [stable-baselines3](https://affpapa.org/nevibecode/skills/stable-baselines3.md) — скилл · 1900 установок
- [spinning-up-deep-rl](https://affpapa.org/nevibecode/skills/spinning-up-deep-rl.md) — скилл · 8 установок
- [grpo-rlvr-training](https://affpapa.org/nevibecode/skills/grpo-rlvr-training.md) — скилл · 2600 установок
- [trl-training](https://affpapa.org/nevibecode/skills/trl-training.md) — скилл · 909 установок
- [nemo-automodel-distributed-training](https://affpapa.org/nevibecode/skills/nemo-automodel-distributed-training.md) — скилл · 2000 установок
- [finetuning-method-selection](https://affpapa.org/nevibecode/skills/finetuning-method-selection.md) — скилл · 2600 установок

Из того же набора: [orchestra-research/ai-research-skills](https://affpapa.org/nevibecode/by/orchestra-research/ai-research-skills.md) — 66 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md