重磅！Unsloth开源新算法：让GRPO训练大模型所需显存降低90%，告别显存焦虑！

图片

在大模型训练领域，显存一直是一个让研究者和开发者头疼的问题。特别是在进行长文本上下文训练时，动辄需要几百GB的显存需求，这让很多研究者望而却步。不过最近，AI基础设施优化团队Unsloth带来了一个重大突破 - 他们推出的新算法可以让GRPO训练所需显存减少高达90%！文章公布了Llama3.1(8B) GRPO在Colab上notebook，见：https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Llama3.1_(8B)-GRPO.ipynb

1、从510GB到54GB：显存优化的突破性进展

在传统的GRPO训练方案中，要训练一个支持20K上下文长度的Llama 3.1（8B）模型，需要高达510.8GB的显存。这个量级的显存需求，即便是顶配的训练服务器也难以满足。而Unsloth团队通过其创新的算法优化，将这一需求降低到了惊人的54.3GB，这意味着：

训练内存成本：从414GB降至42GB

GRPO内存成本：从78.3GB降至9.8GB

推理内存开销：从16GB降至0GB

20K上下文的推理KV缓存：保持在2.5GB

图片

2、技术创新：三重优化方案

Unsloth团队采用了三个关键的技术创新来实现这一突破：

全新的线性算法：团队为GRPO开发了一个全新的内存高效线性算法，这个优化alone就减少了68.5GB的内存使用。更令人惊喜的是，通过torch.compile的协助，这个算法在性能上还实现了提速。

智能梯度检查点：通过将中间激活值异步卸载到系统RAM，在仅损失1%性能的情况下节省了惊人的372GB显存。这个优化特别适用于需要多次生成的场景。    

共享内存空间：与其他实现不同，Unsloth可以与底层推理引擎(vLLM)共享GPU/CUDA内存空间，这又节省了16GB显存。

Unsloth团队从 Horace 的线性交叉熵实现中获得了灵感，并成功使其适用于 GRPO！实际上，我们发现了一些令人惊讶的点：

参考 GRPO 实现使用反向 KL 散度，而不是正向 KL 散度。

天真地实现浮点 16 混合精度（以及浮点 8）上的线性交叉熵，如果没有正确处理，将因自动混合精度缩放机制而崩溃。

我们发现 GRPO 损失函数实现中存在其他问题——主要是在反向 KL 散度的公式表达上。

Unsloth团队进行了 4 个实验：

通过参考实现（红线）进行常规 GRPO

移除断开代码（蓝色线条）

完整反向 KL，如前所述增加一个额外项（黄色线）

前向 KL 散度（绿色线）

图片

一般来说，移除 detach 确实会破坏所有训练，所以我们必须保留它——这很可能需要更多的调查。看起来其他所有实现似乎都很相似？我们可能需要运行模型更长时间以看到不同的效果。

在所有实现中，Unsloth团队还利用了 logsumexp 技巧

3、实践意义：让更多开发者参与AI训练

这项技术突破的意义远不止于数字的优化。它意味着：

• 降低硬件门槛：原本需要多卡集群才能完成的训练任务，现在用单卡就能搞定。比如Qwen2.5 (1.5B)的训练现在只需要5GB显存！
• 提升研究效率：研究人员可以更快速地进行实验验证，加快模型迭代速度。
• 扩大应用场景：更多的小团队和个人开发者现在也能尝试大模型训练，这将极大促进AI技术的普及和创新。

看完这篇文章，是不是对AI训练的未来更有信心了？如果你也对大模型训练感兴趣，不妨关注Unsloth团队的GitHub项目，开启你的AI训练之旅！

文章标题：Long-context GRPO 长上下文 GRPO

文章链接：​https://unsloth.ai/blog/grpo

本文转载自 ​​AI帝国​​，作者： 无影寺