跳转至

Artificial Intelligence

RL: xPU Mismatch - metrics

导言

RL 模型迁移后的精度比对，相较于 SFT 模型迁移的精度比对，难了很多。

经常出现一个难解问题，前20步reward等指标两者差异较小，但是之后就偏移很大。

叠加

  • 指标繁琐，但不解决问题：虽然指标多，但都是表象/结果指标，难以说明差异来源。
  • 耗时长：RL单步1h+，SFT 20s；慢两个数量级，迭代缓慢。
  • 流程更复杂：涉及到推理和权重转换；
  • 资源压力大：训推+评测模型权重，RL的显存和机器资源压力更大。

My Digital Worker : New Coding Way Part0 —— Building AI-Coding Env

导言

随着AI模型的能力越来越强，我们要做的就是像SE一样描述清楚需求边界，然后让AI去干就行了。

但是由于安全保密，或者不同公司开发软件的历史原因，如何搭建一个AI Coding的环境直接第一步就难住了：

  1. 问题场景：黄区开发，根本连不上外网；
    1. 解决方法：允许蓝区开发
  2. 问题场景：客户都是k8s集群调度机器，都是虚拟出来的机器，只提供一个web的terminal调试界面。代码是在跳板机上修改，然后挂载同步到实际申请到虚拟机上。

Tensor Metrics

导言

在AI训练流程中，明明一个tensor就是一个shape下的数值，但是竟然有一堆指标来处理和解释其含义：

  • l1 norm
  • entropy
  • log_prob
  • logistics

这些指标代表什么，用途为何？如何计算（标量？什么shape），计算前后值域/shape变化如何，在比较精度的场景下是否为合适的典型指标（有代表性，且能比较）

  • KL divergence
  • JS divergence
  • argmax agreement
  • top-k agreement

Model Migrate Accuracy

导言

之前将megatron GPU实现迁移到NPU时，对齐精度，通过打印hook+小算子，只是打印 hash、l1_norm、mean、sum实现，能实现tensor hash值一模一样。

但是后来为了性能不得不上融合算子，就不能实现hash值相同；

到现在RL训推一致性，需要对齐训练和推理的精度，有两个问题： 1. 由于激活值在通过attention，mlp moe等模块时，激活值的shape和值域都会变化，如何判断对比两者的在哪个模块有明显的变化。需要不同模块能通过norm类似的操作来统一误差标准，然后我能拉一个每个不同模块的误差曲线，能通过可视化发现误差陡增的位置就是问题所在。 2. 主要我不希望dump每个模块的输出来进行位数的对比，这样太耗时和消耗空间，但是统计值l1_norm、mean、sum、min和max好像已经不够了，是不是需要加上p95等分位值，或者对于tensor变量一些metrics：kl loss才能更好的对比两个比较两个tensor的差异，且是数值可比较的。

RL: Training Inference Mismatch

导言

  • 25年，RL训练崩溃归因于训推不一致；
  • 为此提出了很多方法，TIS，Router Replay，FP16训推，batch一致性...
  • 如何判断 模型当前训推不一致，并找到不一致实现处，是实践的要点。