执行摘要

• 一句话：更新 Qwen3.5-35B GRPO 示例脚本的序列长度和训练参数。
• 推荐动作：该 PR 值得精读，特别是对于负责维护训练示例和配置的工程师。虽然实现简单，但它展示了一个针对特定模型（Qwen3.5-35B）、特定后端（FSDP-Turbo）、特定硬件（NPU）和特定任务（长上下文 GRPO）的完整训练配置调整范例。关键的设计决策在于参数间的耦合调整（如增大序列长度后相应调整 max_num_batched_tokens 和 val_before_train 等流程控制）。

功能与动机

PR 的动机是调整示例脚本中的 prompt 和 response 长度设置，并更新相应的训练配置以适应这个序列长度设置（“Adjusts the prompt and response length settings... Updates the corresponding training configuration”）。

实现拆解

本次变更集中在一个 shell 脚本文件 examples/grpo_trainer/run_qwen3_5_35b_fsdp_turbo.sh，主要涉及训练超参数和流程控制的调整，具体步骤如下：

1. 调整核心序列长度参数：将 data.max_prompt_length 从 1024 调整为 2048，data.max_response_length 从 2048 调整为 6144。这是本次变更的核心，旨在支持更长的输入提示和生成的响应，用于测试模型在长上下文场景下的训练表现。

2. 调整训练流程控制参数：将 trainer.val_before_train 从 False 改为 True，启用训练前的验证以确保初始模型状态；将 trainer.test_freq 从 -1 改为 10，即每 10 个 epoch 进行一次测试；将 trainer.total_epochs 从 15 改为 100，大幅增加训练轮数以支持更充分的收敛。

3. 补充 NPU 后端特定配置：在 NPU (DEVICE=npu) 的分支中，新增了 actor_rollout_ref.rollout.engine_kwargs.vllm.mm_processor_cache_gb=0（禁用多模态处理器缓存）和 actor_rollout_ref.rollout.max_num_batched_tokens=2048（设置 vLLM 引擎的最大批处理 token 数）。这些配置针对 NPU 硬件和可能的 vLLM 推理后端进行了优化。

4. 同步专家并行配置：在 NPU 分支开头，新增了 EP_SIZE=16 的环境变量设置，用于配置专家并行，确保与 ep_dispatcher=fused 的设置匹配。

关键文件：

• examples/grpo_trainer/run_qwen3_5_35b_fsdp_turbo.sh（模块 训练示例；类别 other；类型 configuration）: 本次 PR 唯一变更的文件，包含了 Qwen3.5-35B 模型使用 FSDP-Turbo 引擎进行 GRPO 训练的完整启动配置。其参数调整直接决定了训练的行为（序列长度、验证频率、总轮数等）和硬件适配性（NPU 分支配置）。

关键符号：未识别

关键源码片段

examples/grpo_trainer/run_qwen3_5_35b_fsdp_turbo.sh

本次 PR 唯一变更的文件，包含了 Qwen3.5-35B 模型使用 FSDP-Turbo 引擎进行 GRPO 训练的完整启动配置。其参数调整直接决定了训练的行为（序列长度、验证频率、总轮数等）和硬件适配性（NPU 分支配置）。

# 以下是脚本中关键配置参数的调整部分，展示了为支持更长上下文和优化训练流程所做的变更。
​
DATA=(
    data.train_files="${TRAIN_FILE}"
    data.val_files="${TEST_FILE}"
    data.train_batch_size=16
    # --- 核心变更：调整序列长度，支持更长的提示和生成响应 ---
    # 将最大提示长度从 1024 增加到 2048
    data.max_prompt_length=2048
    # 将最大响应长度从 2048 增加到 6144
    data.max_response_length=6144
    data.filter_overlong_prompts=True
    data.truncation='error'
    data.image_key=images
)
​
TRAINER=(
    trainer.nnodes=${NNODES}
    trainer.balance_batch=False
    # --- 变更：开启训练前验证 ---
    trainer.val_before_train=True
    trainer.save_freq=-1
    # --- 变更：开启并设置测试频率，增加总训练轮数 ---
    # 每 10 个 epoch 进行一次测试
    trainer.test_freq=10
    # 总训练轮数从 15 增加到 100
    trainer.total_epochs=100
)
​
case "${DEVICE}" in
    npu)
        # --- 变更：为 NPU 后端补充 vLLM 推理引擎的特定配置 ---
        ROLLOUT+=(
            # 禁用多模态处理器缓存，可能针对 NPU 内存优化
            actor_rollout_ref.rollout.engine_kwargs.vllm.mm_processor_cache_gb=0
            # 设置 vLLM 引擎单次处理的最大 token 数
            actor_rollout_ref.rollout.max_num_batched_tokens=2048
        )
        ;;
    *)
        ;;
esac

评论区精华

PR 审核过程顺利，无具体讨论内容。审核者 wucong25 直接批准（APPROVED）了变更。

• 暂无高价值评论线程

风险与影响

• 风险：风险较低。本次变更仅修改了一个示例脚本文件，属于配置调整，不涉及核心代码逻辑。主要风险在于配置不当（如序列长度过大导致显存不足）可能导致示例训练无法正常运行，但这种风险仅影响使用该示例的用户，不影响 verl 核心功能。
• 影响：影响范围有限。主要影响希望使用 verl 在 NPU 硬件上运行 Qwen3.5-35B 模型 GRPO 训练的用户，特别是那些需要使用 2K 提示和 6K 响应等长上下文场景的用户。该变更为用户提供了经过调整的、可直接参考的启动配置。
• 风险标记：配置依赖硬件

关联脉络

• PR #7633 [ci, trainer] refactor: switch fsdp_turbo e2e test from GPU to NPU: PR#7633 将 FSDP-Turbo 的 e2e 测试从 GPU 迁移到了 NPU，与本 PR 修改的 NPU 脚本属于同一功能线（NPU 上的 FSDP-Turbo 支持）。
• PR #7605 [fsdp] feat: add Qwen3.5-2B on-policy distillation FSDP script: PR#7605 新增了 Qwen3.5-2B 的 FSDP 蒸馏脚本，与本 PR 修改的 Qwen3.5-35B GRPO 脚本同属 examples/grpo_trainer 目录下的 FSDP 训练示例，展示了针对不同规模模型的配置。