Ascend Backend Features Guide
==================================================================================
Last updated: 03/03/2026.
昇腾全面支持verl生态建设，本文将介绍NPU上对于verl的适配工作及后端特性支持供开发者进行参考
推理后端
当前verl支持vllm/sglang这两种主流推理后端，均可在昇腾NPU上运行。
1. vllm:
昇腾通过vllm-ascend插件来支持vllm推理后端，该插件是 vLLM 社区支持 Ascend 后端的推荐方法。它遵循[RFC]，提供了一个可插拔接口，将 Ascend NPU 与 vLLM 解耦。
参数特性支持
vllm参数 |
verl对应通用参数 |
简介 |
|---|---|---|
|
|
模型权重文件的路径 |
|
|
用于控制每个阶段可使用的 GPU 内存量。它被指定为一个介于 0.0 和 1.0 之间的分数，其中：- 0.8 表示 GPU 总内存的 80%- 1.0 表示 GPU 总内存的 100%（不推荐，没有预留缓冲） |
|
|
禁用图模式，verl默认为False |
|
|
分块预填充允许将大预填充分块成更小的块，并将它们与解码请求一起批处理。 |
|
|
在部署生成阶段之后卸载 KVCache，默认值为 True。 |
|
|
模型能够处理的最大序列长度。它限制了单个输入序列的最大长度 |
|
|
TP并行度 |
|
|
DP并行度 |
|
|
EP并行度 |
|
|
实例中的节点排序 |
|
|
要加载的模型权重格式 |
|
|
控制是否记录 rollout 统计日志 |
|
|
每个实例包含的节点数量` |
|
|
是否允许在 Hub 上定义自定义模型，并将其写入自己的建模文件中 |
|
|
正在运行的请求的最大数量 |
|
|
在一次批处理（batch）中可以处理的最大总Token数 |
|
|
跳过初始化分词器并将 input_ids 传递到推理请求中 |
|
|
|
|
|
|
2. sglang:
对于sglang推理后端，昇腾通过直接向sglang社区进行持续建设与维护来支持相关功能。 此外在verl中使用sglang还涉及以下组件
组件 |
描述 |
|---|---|
Ascend NPU SGL 优化推理内核集合，包括注意力机制、归一化、激活函数、LoRA 适配器等。 |
|
DeepEP的 Ascend 实现，为MoE模型提供高度优化的专家并行 (EP) 通信内核 |
参数特性支持
verl中通过rollout config管理推理后端参数使能，包含通用参数和engine_kwargs自定义传参。 以下列举在verl中常见设置的sglang特性参数，更多参数介绍请参考 sglang社区NPU特性支持
sglang参数 |
verl对应通用参数 |
简介 |
|---|---|---|
model_path |
actor_rollout_ref.model.path |
模型权重文件的路径 |
mem_fraction_static |
actor_rollout_ref.rollout.gpu_memory_utilization |
用于静态分配（模型权重和键值缓存内存池）的内存比例 |
disable_cuda_graph |
actor_rollout_ref.rollout.enforce_eager |
禁用图模式，verl默认为False |
enable_memory_saver |
无，verl中默认设置为True |
允许使用 release_memory_occupation 和 resume_memory_occupation 来节省内存 |
base_gpu_id |
无，根据实际实例和卡数自动计算 |
用于分配每个实例上计算卡资源时的的初始ID |
gpu_id_step |
无，默认设置为1 |
使用的连续计算卡ID 之间的差值 |
tp_size |
actor_rollout_ref.rollout.tensor_model_parallel_size * data_parallel_size |
TP并行度 |
dp_size |
actor_rollout_ref.rollout.data_parallel_size |
DP并行度 |
ep_size |
actor_rollout_ref.rollout.expert_parallel_size |
EP并行度 |
node_rank |
无，根据实际实例和卡数自动计算 |
实例中的节点排序 |
load_format |
actor_rollout_ref.rollout.load_format |
要加载的模型权重格式 |
dist_init_addr |
无，自动计算 |
用于初始化分布式后端的主机地址 |
nnodes |
无，根据实际实例和卡数自动计算 |
每个实例包含的节点数量 |
trust_remote_code |
actor_rollout_ref.model.trust_remote_code |
是否允许在 Hub 上定义自定义模型，并将其写入自己的建模文件中 |
max_running_requests |
actor_rollout_ref.rollout.max_num_seqs |
正在运行的请求的最大数量 |
log_level |
无，默认设置为error |
日志记录器的日志级别 |
skip_tokenizer_init |
actor_rollout_ref.rollout.skip_tokenizer_init |
跳过初始化分词器并将 input_ids 传递到推理请求中 |
skip_server_warmup |
无，默认设置为True |
跳过预热 |
quantization |
actor_rollout_ref.rollout.quantization，默认为None |
量化方法 |
attention_backend |
actor_rollout_ref.rollout.engine_kwargs.sglang.attention_backend |
attention内核,NPU应该设置为ascend |
训练后端
1. FSDP
昇腾通过torch_npu提供FSDP相关支持能力，当前pytorch api支持度参照版本说明。
FSDP1
参数特性支持
verl参数 |
简介 |
|---|---|
|
是否卸载模型权重到CPU，默认值为False |
|
是否卸载优化器状态到CPU，默认值为False |
|
控制前向计算后的参数行为，平衡内存与通信。默认值为True：前向后重新分片参数，反向时重新全收集 |
|
每个FSDP分片组中的NPU数量；默认值-1表示自动。 |
| actor_rollout_ref.actor.fsdp_config.forward_prefetch |在前向计算完成前预取下一次前向传播的 all-gather，仅用于FSDP1，默认值为False|
| actor_rollout_ref.actor.fsdp_config.use_orig_params | FSDP是否会使用module的原始参数来初始化，仅用于FSDP1，默认值为False|
| actor_rollout_ref.actor.ulysses_sequence_parallel_size|Ulysses序列并行大小|
| actor_rollout_ref.actor.entropy_from_logits_with_chunking|通过分块计算熵以减少显存峰值，默认值为False|
| actor_rollout_ref.actor.entropy_from_logits_chunk_size|熵计算分块大小，默认值为2048|
| actor_rollout_ref.actor.fsdp_config.entropy_checkpointing|在训练时对熵计算启用重计算,降低显存峰值，默认值为False|
| actor_rollout_ref.actor.fsdp_config.forward_only |是否只进行前向计算，默认值为False|
FSDP2
参数特性支持
verl参数 |
简介 |
|---|---|
|
是否卸载模型权重到CPU，默认值为False |
|
是否卸载优化器状态到CPU，默认值为False |
|
控制前向计算后的参数行为，平衡内存与通信。默认值为True：前向后重新分片参数，反向时重新全收集 |
|
每个FSDP分片组中的NPU数量；默认值-1表示自动。 |
|
Ulysses序列并行大小 |
|
通过分块计算熵以减少显存峰值，默认值为False |
|
在训练时对熵计算启用重计算,降低显存峰值，默认值为False |
|
是否只进行前向计算，默认值为False |
2. Megatron
Megatron 是 NVIDIA 推出的一个专注于模型并行的训练框架仓库。如果一个仓库（例如 Verl）的训练后端使用了 Megatron，同时又希望在 NPU 上运行该仓库，那么就需要额外安装 MindSpeed 来提供底层支持。下文将介绍 MindSpeed 是如何实现无感替换 Megatron 中的关键组件，从而使其能够适配 NPU 的。
MindSpeed 底层的替换原理采用了 Monkey Patch 技术
MindSpeed ‘Monkey Patch框架
在verl里面通过from mindspeed.megatron_adaptor import repatch 触发patch，调用栈如下：
from mindspeed.megatron_adaptor import repatch
├── 执行 megatron_adaptor.py 模块导入
├── 导入 features_manager 模块
├── 执行 mindspeed/features_manager/__init__.py
├── @AutoExecuteFunction 装饰器触发
├── patch_features() 自动执行
└── 进行`apply_features_pre_patches`和`apply_features_patches`操作
Patch类是整个patch系统的核心，实现了函数/类的动态替换
class Patch
parse_path方法实现了动态模块导入和创建
def parse_path(module_path, function_name, create_dummy)
patch系统支持多层装饰器叠加
def apply_patch(self):
final_patch_func = self.orig_func
if self.patch_func is not None:
final_patch_func = self.patch_func
# 应用所有装饰器
for wrapper in self.wrappers:
final_patch_func = wrapper(final_patch_func)
MindSpeedPatchesManager类
MindSpeedPatchesManager作为全局单例管理所有patch
class MindSpeedPatchesManager:
patches_info: Dict[str, Patch] = {}
Feature集成模式
各个Feature通过继承MindSpeedFeature基类集成patch系统
class MindSpeedFeature:
"""Base class for mindspeed features."""
def __init__(self, feature_name: str, optimization_level: int = 2):
self.feature_name = feature_name.lower().strip().replace('-', '_')
self.optimization_level = optimization_level
self.default_patches = self.optimization_level == 0
def is_need_apply(self, args):
"""Check the feature is need to apply."""
return (self.optimization_level <= args.optimization_level and getattr(args, self.feature_name, None)) \
or self.default_patches
def register_args(self, parser: ArgumentParser):
"""Register cli arguments to enable the feature."""
pass
def pre_validate_args(self, args: Namespace):
"""Validate the arguments of mindspeed before megatron args validation
and store some arguments of the mindspeed temporarily,
in case that megatron validate fails.
for example:
```python
origin_context_parallel_size = args.context_parallel_size
args.context_parallel_size = 1
```
"""
pass
def validate_args(self, args: Namespace):
"""Restore the arguments of the mindspeed.
for example:
```python
args.context_parallel_size = origin_context_parallel_size
```
"""
pass
def post_validate_args(self, args: Namespace):
"""validate mindspeed arguments after megatron arguments validation."""
pass
def pre_register_patches(self, patch_manager: MindSpeedPatchesManager, args: Namespace):
"""Register all patch functions before import megatron"""
pass
def register_patches(self, patch_manager: MindSpeedPatchesManager, args: Namespace):
"""Register all patch functions the feature is related."""
pass
def incompatible_check(self, global_args, check_args):
"""Register all incompatible functions the feature is related."""
if getattr(global_args, self.feature_name, None) and getattr(global_args, check_args, None):
raise AssertionError('{} and {} are incompatible.'.format(self.feature_name, check_args))
def dependency_check(self, global_args, check_args):
"""Register all dependency functions the feature is related."""
if getattr(global_args, self.feature_name, None) and not getattr(global_args, check_args, None):
raise AssertionError('{} requires {}.'.format(self.feature_name, check_args))
@staticmethod
def add_parser_argument_choices_value(parser, argument_name, new_choice):
"""Add a new choice value to the existing choices of a parser argument."""
for action in parser._actions:
exist_arg = isinstance(action, argparse.Action) and argument_name in action.option_strings
if exist_arg and action.choices is not None and new_choice not in action.choices:
action.choices.append(new_choice)
参数特性支持
verl参数 |
简介 |
|---|---|
|
是否卸载模型优化器到CPU，默认值为False |
|
是否启用 mbridge：为 True（默认）时 engine 会构造 |
|
是否卸载模型权重到CPU，默认值为False |
|
张量并行大小；默认值为1。 |
|
流水并行大小，默认值为1 |
|
专家并行大小，默认值为1 |
|
TP拓展EP大小，默认值为null |
|
序列并行大小，默认值为1 |
|
张量在发送到下一个pp stage后,输出数据被释放，降低显存峰值，默认值为False |
|
是否使用持久化 LayerNorm，默认值为False |
|
是否使用Group GEMM，默认值为False |
|
用于路由和专家输出加权平均的数据类型。使用 fp32 或 fp64 可以提高稳定性，尤其是在专家数量较多时，默认值为fp32 |
|
如果设置为 True，在流水线并行的划分和放置策略中，loss 层会被视为一个标准的 Transformer 层来处理。默认为False。 |
|
如果设置为 True，在流水线并行的划分和放置策略中，输入embedding 层会被视为一个标准的 Transformer 层来处理。默认为False。 |
|
重新计算激活的粒度，可选项为’full’, ‘selective’ and ‘none’。其中full代表重新计算整个transformer layer，selective代表只计算transformer layer中的核心注意力部分。默认为’none’。 |
|
该参数需将recompute_granularity设置为’full’才生效，可选项为’uniform’, ‘block’。默认为None。 |
|
该参数需将recompute_granularity设置为’full’才生效，默认为None。若recompute_method设置为uniform，该参数含义为每个均匀划分的重新计算单元的transformer layers数量。例如你可以指定为–recompute_granularity full –recompute_method uniform –recompute_num_layers 4。recompute_num_layers越大，显存占用越小，计算成本越大。注意：当前进程中的模型层数需能被recompute_num_layers整除。默认为None。 |
|
为 True 时， |
|
分布式权重路径，默认值为null |
|
是否使用Flash Attention，默认值为true |
|
是否使用融合旋转位置编码，默认值为False |
|
是否使用融合swiglu，默认值为False |
|
第一个pipeline stage 的层数，默认值为none |
|
最后一个pipeline stage 的层数，默认值为none |
注：actor_rollout_ref.actor.megatron.use_mbridge 与 actor_rollout_ref.actor.megatron.virtual_pipeline_model_parallel_size (VPP) 暂不支持同时开启。由于 verl 默认开启 mbridge, 使用 VPP 参数时请手动将 actor_rollout_ref.actor.megatron.use_mbridge 置为 False。
3. VeOmni
VeOmni 是一个统一的强化学习训练后端，专为大规模模型的高效训练而设计。它基于 FSDP 构建，提供了丰富的并行策略和优化功能，特别适合 MoE 模型和大规模分布式训练场景。
参数特性支持
verl参数 |
简介 |
|---|---|
|
是否卸载模型权重到CPU，默认值为False |
|
是否卸载优化器状态到CPU，默认值为False |
|
每个FSDP分片组中的NPU数量；默认值-1表示自动 |
|
Ulysses序列并行大小，默认值为1 |
|
专家并行大小，默认值为1 |
|
是否启用混合精度训练，默认值为true |
|
是否启用完全分片（ZeRO-3），默认值为true |
|
是否在前向计算完成前预取下一次前向传播的all-gather，默认值为true |
|
Attention实现方式，支持eager、sdpa、flash_attention_2、flash_attention_3、veomni_flash_attention_2_with_sp、veomni_flash_attention_3_with_sp、native-sparse等 |
|
MoE实现方式，支持eager或fused，默认值为fused |
|
交叉熵损失实现，默认值为eager |
|
RMSNorm实现，默认值为eager |
|
SwiGLU MLP实现，默认值为eager |
|
旋转位置编码实现，默认值为eager |
|
MoE负载均衡损失实现，默认值为eager |
|
是否使用torch compile，默认值为false |
|
是否只进行前向计算，默认值为false |
|
是否启用FSDP的CPU卸载，默认值为false |
|
是否使用可重入的梯度检查点，默认值为false |
|
检查点管理器，默认值为dcp |
|
模型权重初始化设备，支持cpu、cuda、meta、npu，默认值为meta |
|
激活卸载时GPU上允许保留的激活显存限制（GB），默认值为0.0 |
|
Rollout侧MoE专家负载指标上报间隔，默认值为0（禁用）；需要同时开启 |
Router Replay 支持
VeOmni 后端支持 MoE 模型的 Router Replay 功能，通过 actor_rollout_ref.actor.veomni.router_replay 配置：
参数 |
简介 |
|---|---|
|
Router replay模式，支持disabled（禁用）、R2（记录并重放路由决策）、R3（在rollout端记录并重放） |
|
记录路由决策的文件路径，在R2/R3模式下必需 |
|
加载路由决策进行重放的文件路径，在replay模式下必需 |
使用示例
VeOmni 后端特别适合大规模 MoE 模型的 GRPO 训练，典型配置如下：
# 设置 VeOmni 训练后端
model_engine=veomni
# 配置并行策略
actor_rollout_ref.actor.veomni.fsdp_size=16
actor_rollout_ref.actor.veomni.ulysses_parallel_size=1
actor_rollout_ref.actor.veomni.expert_parallel_size=1
# 配置内存优化
actor_rollout_ref.actor.veomni.param_offload=True
actor_rollout_ref.actor.veomni.optimizer_offload=True
# 配置算子实现
actor_rollout_ref.actor.veomni.attn_implementation=veomni_flash_attention_2_with_sp
actor_rollout_ref.actor.veomni.moe_implementation=fused
主要特性
高效并行策略：支持数据并行、Ulysses序列并行、专家并行的灵活组合
内存优化：支持参数卸载、优化器卸载和激活卸载，有效降低显存占用
MoE优化：提供融合的MoE实现和Router Replay功能，提升MoE模型训练效率
算子优化：支持多种attention和MLP算子实现，可根据硬件选择最优实现
灵活部署：支持NVIDIA GPU和华为Ascend NPU，具有良好的跨平台兼容性