強化學習（RL）對大模型複雜推理能力提升有關鍵作用，但其複雜的計算流程對訓練和部署也帶來了巨大挑戰。近日，位元組跳動豆包大模型團隊與香港大學聯合提出 HybridFlow。這是一個靈活高效的 RL/RLHF 框架，可顯著提升訓練吞吐量，降低開發和維護複雜度。實驗結果表明，HybridFlow 在各種模型規模和 RL 演算法下，訓練吞吐量相比其他框架提升了 1.5 倍至 20 倍。
在大模型後訓練（Post-Training）階段引入 RL 方法，已成為提升模型質量和對齊人類偏好的重要手段。然而，隨著模型規模的不斷擴大，RL 演算法在大模型訓練中面臨著靈活性和效能的雙重挑戰。傳統的 RL/RLHF 系統在靈活性和效率方面存在不足，難以適應不斷湧現的新演算法需求，無法充分發揮大模型潛力。
據豆包大模型團隊介紹，HybridFlow 採用混合程式設計模型，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。基於 Ray 的分散式程式設計、動態計算圖、異構排程能力，透過封裝單模型的分散式計算、統一模型間的資料切分，以及支援非同步 RL 控制流，HybridFlow 能夠高效地實現和執行各種 RL 演算法，複用計算模組和支援不同的模型部署方式，大大提升了系統的靈活性和開發效率。
實驗結果顯示，無論 PPO 、ReMax 還是 Safe-RLHF 演算法，HybridFlow 在所有模型規模下平均訓練吞吐量均大幅領先於其他框架，提升幅度在 1.5 倍至 20 倍之間。隨著 GPU 叢集規模擴大，HybridFlow 吞吐量也獲得良好擴充套件。這得益於其靈活的模型部署，充分利用硬體資源，實現高效平行計算。同時，HybridFlow 能夠支援多種分散式並行框架（Megatron-LM 、FSDP 、vLLM ），滿足不同模型規模的計算需求。
隨著 o1 模型誕生，大模型 Reasoning 能力和 RL 愈發受到業界關注。豆包大模型團隊表示，將繼續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，程式碼也已對外開源。
HybridFlow開源連結：https://github.com/volcengine/veRL