跳到主要内容

RL 训练

Hermes Agent 包含一个集成的 RL（强化学习，Reinforcement Learning）训练流水线，基于 Tinker-Atropos 构建。这使得可以使用 GRPO（Group Relative Policy Optimization，组相对策略优化）配合 LoRA 适配器在特定环境任务上训练语言模型，全部通过 Agent 的工具接口进行编排。

概述​

RL 训练系统由三个组件组成：

  1. Atropos — 轨迹 API（Application Programming Interface）服务器，协调环境交互、管理推演组并计算优势值
  2. Tinker — 训练服务，处理模型权重、LoRA 训练、采样/推理和优化器步骤
  3. 环境 — 定义任务、评分和奖励函数的 Python 类（例如 GSM8K 数学问题）

Agent 可以发现环境、配置训练参数、启动训练运行和监控指标——全部通过一组 rl_* 工具完成。

前提条件​

RL 训练需要：

  • Python >= 3.11（Tinker 包要求）
  • TINKER_API_KEY — Tinker 训练服务的 API 密钥
  • WANDB_API_KEY — Weights & Biases 指标跟踪的 API 密钥
  • tinker-atropos 子模块（位于 Hermes 根目录的 tinker-atropos/ 下）
# 设置 API 密钥
hermes config set TINKER_API_KEY your-tinker-key
hermes config set WANDB_API_KEY your-wandb-key

当两个密钥都存在且 Python >= 3.11 可用时，rl 工具集会自动启用。

可用工具​

工具描述
rl_list_environments发现可用的 RL 环境
rl_select_environment选择一个环境并加载其配置
rl_get_current_config查看可配置和锁定的字段
rl_edit_config修改可配置的训练参数
rl_start_training启动训练运行（生成 3 个进程）
rl_check_status监控训练进度和 WandB 指标
rl_stop_training停止正在运行的训练任务
rl_get_results获取最终指标和模型权重路径
rl_list_runs列出所有活跃和已完成的运行
rl_test_inference使用 OpenRouter 进行快速推理测试

工作流程​

1. 发现环境​

列出可用的 RL 环境

Agent 调用 rl_list_environments()，使用 AST 解析扫描 tinker-atropos/tinker_atropos/environments/，查找继承自 BaseEnv 的 Python 类。每个环境定义：

  • 数据集加载 — 训练数据的来源（例如 HuggingFace 数据集）
  • 提示构建 — 如何为模型格式化条目
  • 评分/验证 — 如何评估模型输出并分配奖励

2. 选择并配置​

选择 GSM8K 环境并显示配置

Agent 调用 rl_select_environment("gsm8k_tinker")，然后调用 rl_get_current_config() 查看所有参数。

配置字段分为两类：

可配置字段（可修改）：

  • group_size — 每个条目的完成数量（默认：16）
  • batch_size — 训练批次大小（默认：128）
  • wandb_name — WandB 运行名称（自动设为 {env}-{timestamp}）
  • 其他环境特定参数

锁定字段（基础设施设置，不可更改）：

  • tokenizer_name — 模型分词器（例如 Qwen/Qwen3-8B）
  • rollout_server_url — Atropos API URL（http://localhost:8000）
  • max_token_length — 最大 token 长度（8192）
  • max_num_workers — 最大并行工作数（2048）
  • total_steps — 总训练步数（2500）
  • lora_rank — LoRA 适配器秩（32）
  • learning_rate — 学习率（4e-5）
  • max_token_trainer_length — 训练器的最大 token 数（9000）

3. 启动训练​

启动训练运行

Agent 调用 rl_start_training()，它会：

  1. 生成一个 YAML 配置文件，合并锁定设置和可配置覆盖
  2. 创建唯一的运行 ID
  3. 生成三个进程：
    • Atropos API 服务器（run-api）— 轨迹协调
    • Tinker 训练器（launch_training.py）— LoRA 训练 + FastAPI 推理服务器（端口 8001）
    • 环境（environment.py serve）— 选定的环境，连接到 Atropos

进程以错开的延迟启动（API 5 秒，训练器 30 秒，环境再等 90 秒），确保正确的初始化顺序。

4. 监控进度​

检查训练运行 abc12345 的状态

Agent 调用 rl_check_status(run_id)，报告：

  • 进程状态（3 个进程各自的运行/退出状态）
  • 运行时间
  • WandB 指标（步数、奖励均值、正确率、评估精度）
  • 调试用的日志文件位置
速率限制

状态检查每个运行 ID 每 30 分钟限一次。这防止在耗时数小时的长时间训练任务中过度轮询。

5. 停止或获取结果​

停止训练运行
# 或
获取运行 abc12345 的最终结果

rl_stop_training() 按反序终止所有三个进程（环境 → 训练器 → API）。rl_get_results() 获取最终的 WandB 指标和训练历史。

推理测试​

在投入完整训练运行之前，你可以使用 rl_test_inference 测试环境是否正常工作。它使用 OpenRouter 运行几步推理和评分——不需要 Tinker API，只需一个 OPENROUTER_API_KEY。

用推理测试选定的环境

默认配置：

  • 3 步 x 16 次完成 = 每个模型 48 次推演
  • 测试 3 个不同规模的模型以确保鲁棒性：
    • qwen/qwen3-8b（小型）
    • z-ai/glm-4.7-flash（中型）
    • minimax/minimax-m2.7（大型）
  • 总计：约 144 次推演

这验证了：

  • 环境正确加载
  • 提示构建正常工作
  • 推理响应解析在不同模型规模下鲁棒
  • 验证器/评分逻辑产生有效的奖励

Tinker API 集成​

训练器使用 Tinker API 进行模型训练操作：

  • ServiceClient — 创建训练和采样客户端
  • 训练客户端 — 处理带重要性采样损失的前向-反向传播、优化器步骤（Adam）和权重检查点
  • 采样客户端 — 使用最新训练的权重提供推理

训练循环：

  1. 从 Atropos 获取一批推演（提示 + 完成 + 分数）
  2. 转换为带填充 logprobs 和优势值的 Tinker Datum 对象
  3. 运行带重要性采样损失的前向-反向传播
  4. 执行优化器步骤（Adam：lr=4e-5, β1=0.9, β2=0.95）
  5. 保存权重并创建新的采样客户端用于下一步推理
  6. 将指标记录到 WandB

架构图​

创建自定义环境​

要创建新的 RL 环境：

  1. 在 tinker-atropos/tinker_atropos/environments/ 中创建一个 Python 文件
  2. 定义一个继承自 BaseEnv 的类
  3. 实现必需的方法：
    • load_dataset() — 加载训练数据
    • get_next_item() — 向模型提供下一个条目
    • score_answer() — 评分模型输出并分配奖励
    • collect_trajectories() — 收集并返回轨迹
  4. 可选择定义一个继承自 BaseEnvConfig 的自定义配置类

以现有的 gsm8k_tinker.py 为模板。Agent 可以帮助你创建新环境——它可以读取现有环境文件、检查 HuggingFace 数据集并编写新的环境代码。

WandB 指标​

训练运行记录到 Weights & Biases，包含以下关键指标：

指标描述
train/loss训练损失（重要性采样）
train/learning_rate当前学习率
reward/mean组内平均奖励
logprobs/mean平均参考 logprobs
logprobs/mean_training平均训练 logprobs
logprobs/diffLogprob 漂移（参考 - 训练）
advantages/mean平均优势值
advantages/std优势值标准差

日志文件​

每次训练运行在 ~/.hermes/logs/rl_training/ 中生成日志文件：

logs/
├── api_{run_id}.log        # Atropos API 服务器日志
├── trainer_{run_id}.log    # Tinker 训练器日志
├── env_{run_id}.log        # 环境进程日志
└── inference_tests/        # 推理测试结果
    ├── test_{env}_{model}.jsonl
    └── test_{env}_{model}.log

这些日志在训练失败或产生意外结果时对调试非常有价值。

📝 本文由 AI 翻译，如有疑问请参考英文原版