verl-project/verl

Support Generative Reward Model (GenRM)

Open

#229 opened on 2025年2月9日

GitHub で見る
 (17 comments) (0 reactions) (1 assignee)Python (21,533 stars) (3,940 forks)auto 404
enhancementgood first issue

説明

According to the documentation, veRL only supports AutoModelForSequenceClassification. What would be the best way to implement generative reward model (GenRM) for veRL? I tried looking at FSDP Workers and Megatron-LM Workers but they no longer exist.

コントリビューターガイド

技術スタック
pythonpytorch
領域
machine learningai
Issue 種別
feature
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。
5
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。
over 1 week
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。
needs maintainer response
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。
mostly clear
前提条件
understanding of RLHFfamiliarity with verl architectureknowledge of generative reward modelsPython and PyTorch
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。
15
調査方針
Investigate the current reward model implementation in verl, specifically the AutoModelForSequenceClassification support. Review the comments and any linked PRs for proposed designs. Since the referenced workers no longer exist, explore the current actor/critic architecture to identify where GenRM integration would fit. Propose a design that extends the reward model to support generation based scoring.