強化學習（RL）對大模型復雜推理能力提升有關鍵作用，但其復雜的計算流程對訓練和部署也帶來了巨大挑戰(zhàn)。近日，字節(jié)跳動豆包大模型團隊與香港大學聯(lián)合提出 HybridFlow。這是一個靈活高效的 RL/RLHF 框架，可顯著提升訓練吞吐量，降低開發(fā)和維護復雜度。實驗結果表明，HybridFlow 在各種模型規(guī)模和 RL 算法下，訓練吞吐量相比其他框架提升了 1.5 倍至 20 倍。

在大模型后訓練（Post-Training）階段引入 RL 方法，已成為提升模型質(zhì)量和對齊人類偏好的重要手段。然而，隨著模型規(guī)模的不斷擴大，RL 算法在大模型訓練中面臨著靈活性和性能的雙重挑戰(zhàn)。傳統(tǒng)的 RL/RLHF 系統(tǒng)在靈活性和效率方面存在不足，難以適應不斷涌現(xiàn)的新算法需求，無法充分發(fā)揮大模型潛力。

據(jù)豆包大模型團隊介紹，HybridFlow 采用混合編程模型，將單控制器的靈活性與多控制器的高效性相結合，解耦了控制流和計算流。基于 Ray 的分布式編程、動態(tài)計算圖、異構調(diào)度能力，通過封裝單模型的分布式計算、統(tǒng)一模型間的數(shù)據(jù)切分，以及支持異步 RL 控制流，HybridFlow 能夠高效地實現(xiàn)和執(zhí)行各種 RL 算法，復用計算模塊和支持不同的模型部署方式，大大提升了系統(tǒng)的靈活性和開發(fā)效率。

實驗結果顯示，無論 PPO 、ReMax 還是 Safe-RLHF 算法，HybridFlow 在所有模型規(guī)模下平均訓練吞吐量均大幅領先于其他框架，提升幅度在 1.5 倍至 20 倍之間。隨著 GPU 集群規(guī)模擴大，HybridFlow 吞吐量也獲得良好擴展。這得益于其靈活的模型部署，充分利用硬件資源，實現(xiàn)高效并行計算。同時，HybridFlow 能夠支持多種分布式并行框架（Megatron-LM 、FSDP 、vLLM ），滿足不同模型規(guī)模的計算需求。

隨著 o1 模型誕生，大模型 Reasoning 能力和 RL 愈發(fā)受到業(yè)界關注。豆包大模型團隊表示，將繼續(xù)圍繞相關場景進行探索和實驗。目前，HybridFlow 研究論文已入選學術頂會 EuroSys 2025，代碼也已對外開源。

HybridFlow開源鏈接：https://github.com/volcengine/veRL