verl-project/verl

[FR] Documentation about Resolving OOM

已关闭

#1,014 创建于 2025年4月10日

在 GitHub 查看贡献者指南
 (6 条评论) (7 个反应) (0 位负责人)Python (4,434 个派生)auto 404
call for contributiondocumentationgood first issue

仓库指标

星标
 (23,069 个星标)
PR 合并指标
 (平均合并 3天 6小时) (30 天内合并 125 个 PR)

描述

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

贡献者指南

研究方向
调查现有的 OOM 相关问题，例如 #328，以识别常见场景。针对列出的每个配置（rollout 的 gpu memory utilization、Liger Kernel、max len/gpu、梯度检查点等），基准测试它们对内存使用和训练性能的影响。将研究结果记录在结构化指南中，并引用相关的源文件，如配置脚本和训练循环。
技术栈
pythonpytorch
领域
documentationperformance
议题类型
文档
难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。
3
预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。
1-2 天
活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。
活跃
清晰度议题是否清楚说明期望改动、验收标准和下一步。
清晰
前置要求
basic Pythonfamiliarity with PyTorchunderstanding of GPU memory
新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。
70