跳到主要内容

RL 训练

Hermes Agent 内置了基于 Tinker-Atropos 的强化学习（Reinforcement Learning, RL）训练流水线。该系统支持使用 GRPO（Group Relative Policy Optimization）结合 LoRA 适配器，在特定环境任务上对语言模型进行训练，并完全通过代理的工具接口进行编排。

概述​

RL 训练系统由三个组件构成：

  1. Atropos — 轨迹 API 服务器，负责协调环境交互、管理 rollout 组，并计算优势值
  2. Tinker — 训练服务，负责模型权重、LoRA 训练、采样/推理以及优化器步骤
  3. 环境 — Python 类，定义任务、评分机制和奖励函数（例如 GSM8K 数学问题）

代理可通过一组 rl_* 工具实现环境发现、训练参数配置、启动训练任务以及监控指标。

要求​

RL 训练需要满足以下条件：

  • Python >= 3.11（Tinker 包的要求）
  • TINKER_API_KEY — Tinker 训练服务的 API 密钥
  • WANDB_API_KEY — Weights & Biases 指标追踪的 API 密钥
  • tinker-atropos 子模块（位于 Hermes 根目录下的 tinker-atropos/ 目录中）
# Set up API keys
hermes config set TINKER_API_KEY your-tinker-key
hermes config set WANDB_API_KEY your-wandb-key

当两个密钥均存在且 Python 版本 ≥ 3.11 时，rl 工具集将自动启用。

可用工具​

工具描述
rl_list_environments发现可用的 RL 环境
rl_select_environment选择一个环境并加载其配置
rl_get_current_config查看可配置字段与锁定字段
rl_edit_config修改可配置的训练参数
rl_start_training启动一次训练运行（启动 3 个进程）
rl_check_status监控训练进度及 WandB 指标
rl_stop_training停止正在运行的训练任务
rl_get_results获取最终指标和模型权重路径
rl_list_runs列出所有活跃和已完成的训练运行
rl_test_inference使用 OpenRouter 进行快速推理测试

工作流程​

1. 发现环境​

List the available RL environments

代理调用 rl_list_environments()，该函数通过 AST 解析扫描 tinker-atropos/tinker_atropos/environments/ 目录，查找继承自 BaseEnv 的 Python 类。每个环境定义了：

  • 数据集加载 — 训练数据来源（例如 HuggingFace 数据集）
  • 提示构造 — 如何将数据项格式化为模型输入
  • 评分/验证 — 如何评估模型输出并分配奖励

2. 选择与配置​

Select the GSM8K environment and show me the configuration

代理调用 rl_select_environment("gsm8k_tinker")，随后调用 rl_get_current_config() 查看所有参数。

配置字段分为两类：

可配置字段（可修改）：

  • group_size — 每个样本的完成数量（默认：16）
  • batch_size — 训练批次大小（默认：128）
  • wandb_name — WandB 运行名称（自动设置为 {env}-{timestamp}）
  • 其他环境特定参数

锁定字段（基础设施设置，不可更改）：

  • tokenizer_name — 模型分词器（例如 Qwen/Qwen3-8B）
  • rollout_server_url — Atropos API 地址（http://localhost:8000）
  • max_token_length — 最大 token 长度（8192）
  • max_num_workers — 最大并行工作线程数（2048）
  • total_steps — 总训练步数（2500）
  • lora_rank — LoRA 适配器秩（32）
  • learning_rate — 学习率（4e-5）
  • max_token_trainer_length — 训练器最大 token 数（9000）

3. 启动训练​

Start the training run

代理调用 rl_start_training()，该操作执行以下步骤：

  1. 生成一个 YAML 配置文件，合并锁定设置与可配置参数的覆盖项
  2. 创建唯一的运行 ID
  3. 启动三个进程：
    • Atropos API 服务器（run-api）—— 轨迹协调
    • Tinker 训练器（launch_training.py）—— LoRA 训练 + 在端口 8001 上运行 FastAPI 推理服务
    • 环境（environment.py serve）—— 选定的环境连接至 Atropos

这三个进程以错开的延迟启动（API 延迟 5 秒，训练器延迟 30 秒，环境延迟再加 90 秒），以确保正确的初始化顺序。

4. 监控进度​

Check the status of training run abc12345

代理调用 rl_check_status(run_id)，返回以下信息：

  • 各进程状态（运行中 / 已退出）
  • 已运行时间
  • WandB 指标（步骤数、奖励均值、正确率百分比、评估准确率）
  • 日志文件路径（用于调试）
速率限制

每个运行 ID 的状态检查频率限制为每 30 分钟一次。此限制可防止长时间运行的训练任务因频繁轮询而造成资源浪费。

5. 停止或获取结果​

Stop the training run
# or
Get the final results for run abc12345

rl_stop_training() 按照逆序终止三个进程（环境 → 训练器 → API）。rl_get_results() 用于获取最终的 WandB 指标和训练历史。

推理测试​

在投入完整训练运行之前，可使用 rl_test_inference 测试环境是否正常工作。该命令运行几轮推理与评分，使用 OpenRouter —— 无需 Tinker API，仅需提供 OPENROUTER_API_KEY。

Test the selected environment with inference

默认配置：

  • 3 步 × 每模型 16 次完整生成 = 每模型 48 次 rollout
  • 测试 3 个不同规模的模型以验证鲁棒性：
    • qwen/qwen3-8b（小规模）
    • z-ai/glm-4.7-flash（中等规模）
    • minimax/minimax-m2.7（大规模）
  • 总计：约 144 次 rollout

此配置验证了：

  • 环境正确加载
  • 提示构造正常工作
  • 推理响应解析在不同模型规模下均具备鲁棒性
  • 验证器/评分逻辑能生成有效奖励

Tinker API 集成​

训练器使用 Tinker API 执行模型训练操作：

  • ServiceClient — 创建训练客户端与采样客户端
  • 训练客户端 — 处理带重要性采样损失的前向-反向传播、优化器步骤（Adam）及权重检查点保存
  • 采样客户端 — 使用最新训练权重提供推理服务

训练循环流程：

  1. 从 Atropos 获取一批 rollout（提示 + 完整生成 + 评分）
  2. 转换为 Tinker Datum 对象，包含填充后的 logprobs 和优势值
  3. 执行带重要性采样损失的前向-反向传播
  4. 执行一次优化器步骤（Adam：lr=4e-5, β1=0.9, β2=0.95）
  5. 保存权重，并为下一步推理创建新的采样客户端
  6. 将指标记录至 WandB

架构图​

创建自定义环境​

要创建新的强化学习环境：

  1. 在 tinker-atropos/tinker_atropos/environments/ 目录下创建一个 Python 文件
  2. 定义一个继承自 BaseEnv 的类
  3. 实现以下必需方法：
    • load_dataset() — 加载你的训练数据
    • get_next_item() — 向模型提供下一个数据项
    • score_answer() — 对模型输出进行评分并分配奖励
    • collect_trajectories() — 收集并返回轨迹
  4. 可选：定义一个继承自 BaseEnvConfig 的自定义配置类

请参考现有的 gsm8k_tinker.py 作为模板。Agent 可协助你创建新环境——它可以读取现有环境文件、检查 HuggingFace 数据集，并生成新的环境代码。

WandB 指标​

训练运行会将关键指标记录至 Weights & Biases：

指标描述
train/loss训练损失（重要性采样）
train/learning_rate当前学习率
reward/mean各组的平均奖励
logprobs/mean参考 logprobs 的平均值
logprobs/mean_training训练 logprobs 的平均值
logprobs/difflogprob 偏移（参考 - 训练）
advantages/mean平均优势值
advantages/std优势标准差

日志文件​

每次训练运行会在 ~/.hermes/logs/rl_training/ 目录下生成日志文件：

logs/
├── api_{run_id}.log        # Atropos API server logs
├── trainer_{run_id}.log    # Tinker trainer logs
├── env_{run_id}.log        # Environment process logs
└── inference_tests/        # Inference test results
    ├── test_{env}_{model}.jsonl
    └── test_{env}_{model}.log

当训练失败或产生意外结果时，这些日志文件对于调试至关重要。