吞吐提升76%！小红书开源RL训练引擎Relax

随着RL后训练逐步延伸至全模态与Agentic场景，多模数据异构、系统稳定性和角色耦合等方面的问题日益凸显。

为此，小红书AI平台团队刚刚开源了Relax——一个为全模态数据、Agentic工作流和大规模异步训练协同设计的现代RL训练引擎！

实测全异步Off-Policy模式相比共卡On-Policy吞吐提升76%，相比veRL的全异步实现提升20%！

先说痛点：全模态Agentic RL训练的三重困境

RL后训练正在经历两个根本性变化：模型走向全模态（图文音视频一起训，甚至带有音频或图片视频输出），训练走向Agentic（多轮推理、工具调用、复杂环境交互）。

这两个趋势叠加，把现有RL训练框架逼进了三重困境——而且这三个问题不是各自独立的，它们环环相扣，必须一起解决。

困境一：数据异构。高质量的图片和音视频原始数据传输体积大、CPU预处理开销高、编码后token爆炸，multi-modal encoder无法和已有并行策略高效协同——在小红书内极其丰富的多模场景下，需要一款定制优化的框架。

困境二：系统脆弱。多模态下较高的OOM风险叠加上千卡长时训练，硬件故障、NCCL超时随时出现——传统方案缺乏分钟级故障恢复和单角色弹性伸缩能力。

困境三：角色耦合。Colocate方案下各角色共享GPU只能串行执行，Trainer干等最慢的Rollout完成；现有全异步方案虽然把Rollout和Train拆到不同组，但缺少细粒度的流水线调度。

核心洞察：三者耦合，必须协同设计

这三个困境形成了一条因果链：

多模态让系统更低效且脆弱→催生服务化隔离和全异步架构→催生数据总线→总线的字段存储天然兼容多模态→三个问题一条因果链，完成闭环。

Relax用一套协同设计（co-design）把多模态原生、服务化容错、全异步流水线一并解决。

全异步架构：Rollout和Train并行，一秒都不浪费

核心思路：拆开来，并行跑

传统方案把Rollout和Train绑在一起。Relax的做法很暴力——直接拆成两个独立服务。

Rollout服务：专门做推理生成，用SGLang引擎

Train服务：专门做梯度更新，用Megatron后端

两个服务通过TransferQueue数据总线连接。Rollout生成的数据往里写，Train从里面读，互不阻塞。这带来一个直接的好处：Rollout的推理时间大部分被掩盖！Train不用等Rollout完事再开工，而是上一批数据训着，下一批数据就已经在生成了。

Micro Batch级别的流水：不等慢的那个

光把Rollout和Train拆开还不够。传统方案——包括现有的全异步框架——还有一个致命缺陷：全局batch同步。

Relax把粒度从全局batch推进到了micro batch级别的流水线，例如：

1. 把256条的全局batch切成32条一组的micro batch
2. 每组生成完，立即写入TransferQueue
3. 下游的Advantage、Train各阶段一看有数据了，马上开始处理——不同micro batch在不同阶段形成流水线并行。

效果？长尾样本再也拖不死整个step。单条慢样本只影响它所在的micro batch，其他micro batch正常流转；对于超时仍未完成的样本，Relax还支持partial rollout——已生成的部分直接回收利用，不白等也不白扔。整条RL训练链路从粗粒度的“Rollout完了再Train”变成了细粒度的多阶段流水线。

训练不怕挂：服务化隔离与自动恢复

服务化隔离：一个挂了不拖累全局

Relax不是一个铁板一块的单体程序。它把RL训练的每个角色——Actor、Ref、Rollout、Reward——拆成独立的Ray Serve服务。

每个服务有自己的进程空间、故障域和资源配额。它们之间不直接引用，全部通过TransferQueue数据总线通信。

说白了——Ref挂了，Actor照样训。一个Rollout实例OOM了，其他Rollout正常工作。

传统方案呢？一个节点出问题，整个任务重启，进度全丢！

两级恢复策略：能小修绝不大动

Relax有一套完整的健康监控体系：通过主动上报和心跳超时两条路并行，并根据角色重要性分级处理：

简单来说——能局部修就局部修，必须全局重启也从最近的checkpoint恢复，而不是从头再来。

分布式Checkpoint服务（DCS）：快速恢复的关键

恢复快不快，核心取决于权重能不能快速到位。Relax专门为此搞了一个独立服务——DCS，它不是简单的“训完了存一下”，而是一个带拓扑感知的分布式权重传输系统。

DCS自动发现TP/PP拓扑、构建跨异构并行的rank映射，集群内走NCCL GPU通信（最低延迟），跨集群走TCP，对弹性扩缩，甚至是联邦集群下的弹性扩缩足够友好。

弹性伸缩：训练不停，Rollout随时加减

Relax支持训练过程中动态扩缩Rollout实例，提供Ray原生（集群内增减副本）和外部引擎（接入外部集群）两种模式。每个新实例依次经过PENDING→CREATING→HEALTH_CHECKING→WEIGHT_SYNCING→READY→ACTIVE六个阶段，每一步都有超时和回滚，任何一步失败自动清理资源。缩容同样不粗暴——先停止接新请求、排空在途任务、等待权重更新完成，再逐步下线。Relax还内置了基于KV Cache利用率、排队深度、TTFT等指标的自动伸缩器。

多模不再拖后腿：CPU预处理和ViT并行全解决

Processor Pool。多模态processor（图片resize、视频抽帧、音频重采样）是CPU密集型操作，单线程跑会被GIL卡死。Relax用ProcessPoolExecutor把processor放到独立进程，共享内存零拷贝传输，配合asyncio实现processor、media encoding、Rollout请求三阶段流水线——CPU预处理完全藏在GPU推理延迟背后。

ViT原生HF+TP维度数据并行。通过Megatron Bridge保持ViT的HF原生实现，在TP维度上复制到所有rank，各rank独立encode不同的pixel_values切片后AllReduce合并。ViT参数只占1-5%，冗余开销可忽略，省掉格式转换的工程负担和精度风险。

异步通信。Relax基于TransferQueue的async_put / async_get，让数据读写与GPU计算完全重叠，配合micro batch流水线实现端到端的细粒度异步。

不只是快：Agentic RL也原生支持

服务化架构带来的另一个好处——Agentic场景天然适配。

自定义Rollout：Agent要调工具、查数据库、跑沙箱？写成可插拔服务，挂上去就行。

多轮状态管理：服务化架构下，多轮交互的状态管理就是服务间的消息传递。

灵活的Reward：Rule-based、LLM-as-Judge（GenRM）、自定义函数，按需组合。

实验结果：数据说话

实验环境：NVIDIA H800 80GB GPU集群，NVLink/InfiniBand互联。

全异步吞吐提升76%

在Qwen3-4B+DAPO-MATH-17k+16×H800的配置下，全异步Off-Policy模式相对Colocate方案吞吐提升76%，相比VeRL的全异步实现提速20%（28.7 vs. 23.9 steps/hour），即使是分离异步下的On-Policy，也可提速12%。

加速来自三层叠加：

1. 流式micro batch调度：不等慢样本，生成一组处理一组，即使是async的on-policy也能拿到提速收益！

2. 资源分离：log-prob和reference log-prob在独立GPU上计算，计算量完全被掩盖。

3. 无sleep/wakeup开销：独立集群部署，不再需要卸载/重载模型参数（4B模型省10秒，35B模型可能省50-80秒）。

收敛质量：快了但没降质

最关键的问题：跑这么快，效果打折了吗？

按wall-clock time看，三种模式最终收敛到相同reward水平，但Async Off-Policy达到同等reward的wall-clock时间比Colocate缩短43%。更快收敛，效果不掉。

近乎无损的R3

MoE模型在RL训练中有个隐蔽的坑：Rollout和Training阶段的expert路由可能不一致，导致log probs mismatch从而加重off-policy。

Relax的R3（Rollout Routing Replay）在Rollout时记录路由决策，Training时原样回放：

Mismatch降低约38%，Relax额外开销仅+1.9%，veRL为+32%。

为什么差这么多？因为Relax的异步pipeline天然吸收了R3的开销——序列化路径重写+异步device-to-host传输，R3完全跑在关键路径之外。

总结

当RL训练从纯文本单轮走向全模态Agentic，数据异构、系统脆弱、角色耦合三重困境不再是可以分别解决的独立问题。Relax的回答是一套协同设计：全模态原生pipeline解决数据异构，服务化隔离+DCS快速恢复解决系统脆弱，micro batch级全异步流水线解决资源利用率——三者因果闭环，缺一不可。

Relax的落地有赖于开源社区的支持，研究团队希望在此致谢：

感谢Slime和SGLang团队在Ray+Megatron+SGLang结合用于RL训练方面的基础性工作，Relax正是在此基础架构之上构建的。感谢NVIDIA Megatron Bridge团队开发的开源checkpoint转换框架，Relax将其扩展以支持全模态模型。感谢华为昇腾TransferQueue团队开发的开源异步数据总线，它是Relax分布式架构的数据面核心。

GitHub：
https://github.com/redai-infra/Relax
License：
Apache 2.0

文章来自于微信公众号 "量子位"，作者 "量子位"