Verl 框架下 GRPO 调参：GSM8K 实验记录（Qwen3-0.6B）

背景

初始Qwen3-0.6B在GSM8K的准确率不到20%，问题主要分为以下两种情况：

未能按照prompt的答案格式输出答案
未能计算出正确答案

经测试主要发现准确率低的原因是主要是前者导致，少部分是后者。本质上就是小模型的指令跟随和推理能力的不足。

如今LLM已经有大量不同的微调方式，如强化学习微调、SFT等方向，本实验为探索GRPO在LLM微调的效果上限与优势。

目标

通过 GRPO 微调 Qwen3-0.6B，寻找在 验证集上的最优超参数组合。
使用 Qwen32B 生成答案进行蒸馏 + LoRA 微调 Qwen3-0.6B，并与 GRPO 方案对比。

方法概览

框架：Verl
基座模型：Qwen3-0.6B
优化：GRPO
对比：Qwen32B 蒸馏 → LoRA on Qwen3-0.6B

调节的超参数

超参数	重要度	推荐范围 / 设定	当前值	影响 / 说明
学习率 (LoRA, `actor.optim.lr`)	⭐⭐⭐⭐⭐	1e-5 ～ 5e-5	5e-5	直接影响收敛与最终性能，建议从小到大网格/二分搜。
响应数量 (`rollout.n`)	⭐⭐⭐⭐	5 ～ 16	5 / 16	更多样本可提升 GRPO 信号质量，但显著增算力。
KL 系数 (`kl_loss_coef`)	⭐⭐⭐⭐	1e-4 ～ 1e-2	1e-3	约束与参考模型偏离度；过大抑制探索、过小易漂移。
批次大小	⭐⭐⭐⭐	train 64/128/256/512；mini 32/64/128；micro 4/8/16	128 / 64 / 16	更大批次更稳（受显存限制）。
采样温度 (`temperature`)	⭐⭐	0.7 / 1.0 / 1.2	1.0	多样性与探索；高温度利探索但易噪声。
Top-p (`top_p`)	⭐⭐	0.7 / 0.9 / 1.0	1.0	控制尾部截断；与温度配合调度探索强度。

实验计划

调整verl框架的GRPO的超参数，微调Qwen3-0.6B，探索最大验证集表现的超参数。
使用Qwen32B模型，蒸馏答案，Lora微调Qwen3-0.6B，并与上面方式对比。

实验过程

初始实验

首先在使用LLM生产了一组初始参数，并跑通。

#!/bin/bash  
set -x  
  
cd /mnt/data/home/liuqingshan/wanghai673/RL-test/verl  
ls
MODEL_PATH=/mnt/data/home/liuqingshan/wanghai673/RL-test/models/Qwen3-0.6B
  
python3 -m verl.trainer.main_ppo \
  algorithm.adv_estimator=grpo \
  algorithm.kl_ctrl.kl_coef=0.001 \
  data.train_files="${HOME}/data/gsm8k/train.parquet" \
  data.val_files="${HOME}/data/gsm8k/test.parquet" \
  data.train_batch_size=128 \
  data.max_prompt_length=512 \
  data.max_response_length=512 \
  data.filter_overlong_prompts=True \
  data.truncation=error \
  data.shuffle=False \
  actor_rollout_ref.model.path="${MODEL_PATH}" \
  actor_rollout_ref.model.enable_gradient_checkpointing=True \
  actor_rollout_ref.model.use_remove_padding=False \
  actor_rollout_ref.model.lora_rank=32 \
  actor_rollout_ref.model.lora_alpha=32 \
  actor_rollout_ref.model.target_modules=all-linear \
  actor_rollout_ref.actor.optim.lr=5e-7 \
  actor_rollout_ref.actor.ppo_mini_batch_size=64 \
  actor_rollout_ref.actor.ppo_micro_batch_size_per_gpu=8 \
  actor_rollout_ref.actor.use_kl_loss=True \
  actor_rollout_ref.actor.kl_loss_coef=0.001 \
  actor_rollout_ref.actor.kl_loss_type=low_var_kl \
  actor_rollout_ref.actor.grad_clip=1.0 \
  actor_rollout_ref.actor.entropy_coeff=0.0 \
  actor_rollout_ref.actor.fsdp_config.param_offload=True \
  actor_rollout_ref.actor.fsdp_config.optimizer_offload=True \
  actor_rollout_ref.rollout.name=vllm \
  actor_rollout_ref.rollout.tensor_model_parallel_size=2 \
  actor_rollout_ref.rollout.gpu_memory_utilization=0.6 \
  actor_rollout_ref.rollout.n=5 \
  actor_rollout_ref.rollout.temperature=1.0 \
  actor_rollout_ref.rollout.top_p=1.0 \
  actor_rollout_ref.rollout.top_k=-1 \
  actor_rollout_ref.rollout.enable_chunked_prefill=True \
  actor_rollout_ref.rollout.load_format=safetensors \
  actor_rollout_ref.ref.fsdp_config.param_offload=True \
  trainer.critic_warmup=0 \
  trainer.logger='["console","wandb"]' \
  trainer.project_name=qwen3_grpo_gsm8k \
  trainer.experiment_name=exp_1 \
  trainer.n_gpus_per_node=2 \
  trainer.nnodes=1 \
  trainer.total_epochs=10 \
  trainer.total_training_steps=500 \
  trainer.save_freq=50 \
  trainer.test_freq=10 \
  trainer.default_local_dir=./checkpoints/${trainer.project_name}/${trainer.experiment_name}\
  actor_rollout_ref.rollout.log_prob_micro_batch_size_per_gpu=8 \
  actor_rollout_ref.ref.log_prob_micro_batch_size_per_gpu=8 \
  2>&1 | tee training.log