verl-project/verl

[FR] Documentation about Resolving OOM

Open

#1,014 opened on 2025年4月10日

GitHub で見る
 (6 comments) (7 reactions) (0 assignees)Python (21,533 stars) (3,940 forks)auto 404
call for contributiondocumentationgood first issue

説明

Motivation

There are many issues related to OOM, e.g. #328 . We might need a clear guide about how to resolve OOM.

Plan

A non-exclusive enumeration about related configurations:

  1. Rollout：gpu_memory_utilization
  2. Other Inference：
    1. Liger Kernel
    2. *_max_len_per_gpu / micro_batch_size_per_gpu
  3. Training:
    1. Liger Kernel
    2. Ulysses Sequence Parallelism
    3. gradient checkpointing
    4. offload

TODO

  • Complete the list of related configurations
  • Benchmark the effect & overhead of each configuration

コントリビューターガイド

技術スタック
pythonpytorch
領域
documentationperformance
Issue 種別
documentation
難度新しい貢献者にとっての実装難度です。1 は非常に小さな変更、5 は専門的な作業です。
3
推定時間経験ある貢献者が調査、実装、テスト、pull request 準備にかけるおおよその時間範囲です。
1-2 days
活動状況Issue が今どれだけ取り組みやすいかを示します。新しい、活発、古い、ブロック中、またはメンテナー入力待ちなどです。
active
明確さ期待される変更、受け入れ条件、次の手順がどれだけ明確かを示します。
clear
前提条件
basic Pythonfamiliarity with PyTorchunderstanding of GPU memory
初心者向け度初回貢献者にどれだけ取り組みやすいかを 1-100 で推定したスコアです。
70
調査方針
Investigate existing OOM related issues, e.g., #328, to identify common scenarios. For each configuration listed (rollout's gpu memory utilization, Liger Kernel, max len/gpu, gradient checkpointing, etc.), benchmark their effect on memory usage and training performance. Document findings in a structured guide, referencing relevant source files like configuration scripts and training loops.