Miles 这个项目名字你可能还很陌生但 Post-Training 这个词只要是跑过大模型微调的人都不会陌生。从 SFT 到 DPO从 RLHF 到各种对齐策略后训练环节在最近两年几乎以周为单位在迭代但真正能扛住生产环境压力的训练框架掰着指头数也就那么几个。Miles v0.1 的论文标题特意写了 Production-Level意思很明确它不是一个研究原型也不是一个跑通 Demo 就结束的玩具而是冲着长时间稳定运行、可复现、可观测、可恢复这四个目标去的。这篇文章基于论文公开设计结合我在大模型训练工程上的一些实际经验把它的设计思路、核心配置、实操流程和踩坑记录完整拆一遍。适合正在搭建模型微调平台、或者打算把 SFT/DPO 训练落地到本地集群和云环境上的同学参考。1. Miles到底在解决什么问题Production-Level Post-Training的四个痛点1.1 后训练阶段为什么总在作坊式运行在拆 Miles 之前先聊聊为什么大模型的后训练尤其是 SFT 和 DPO一直是整个 LLM 链路里最手工的一环。预训练阶段大家普遍依赖成熟 Pipeline数据集、学习率、优化器都可以固定到以月为单位去跑。但后训练阶段完全不同数据迭代快策略切换频繁团队往往要在一天半之内跑完一个实验然后立刻根据指标调整配方。这种节奏下大家习惯的做法是一堆脚本加一份 Markdown 记录GPU 利用率不高不说实验两周一对比谁也不知道当时的 config 改了什么、数据 hash 是多少、优化器状态是否干净。Miles v0.1 的设计动机就是压缩这套手工作业。论文里描述的框架本质上是一个把配置、数据、训练、指标追踪、Checkpoint 管理串成一个闭环的后训练系统。它的目标不是提供一个比现有库更强的模型而是让你在跑完一轮 70B 模型的 DPO 之后还能清楚地回答三个问题上一次跑用的确切数据是哪一版、训练到 40% 时中间状态有没有异常、如果现在中断一小时后想恢复能不能无缝接上。这三个问题恰恰是生产级训练与传统微调脚本之间最大的分界线。1.2 四个生产级关键词的拆解论文反复强调的四个关键词我结合自己跑训练的经验逐一展开。第一是可复现性Reproducibility。它做的不只是固定随机种子而是给每一条训练数据在进入数据管道时计算内容 hash连同 config 的序列化结果一起写入运行时记录。这样任何一个时间点的训练都可以精确回溯到数据版本和参数版本。这一点在算法团队里特别容易引发争论很多人觉得我改了 prompt 模板效果变化不明显但如果拿不出数据 hash 来证明训练样本确实一致争论就永远没有结论。注意可复现不是每次结果都一样而是每次结果的差异都可以归因。Miles 把数据、代码、配置、中间状态四者全部留痕归因才有了依据。第二是可观测性Observability。Miles 在训练循环里内置了指标记录和轨迹追踪每个 step 的 loss、lr、grad norm、throughput 会以结构化格式输出到指定目录同时保留一份纯文本控制台日志。这对长时间训练非常重要因为很多问题比如 loss 突然跳高、吞吐骤降需要回看历史趋势才能定位。我自己的经验是问题出现五分钟内如果能定位到是数据问题还是环境问题整个团队的焦虑程度完全不一样。第三是弹性恢复Elasticity。中断恢复不是简单地加载 checkpoint 继续跑而是要在恢复时同步恢复优化器状态、学习率调度器位置、RNG 状态甚至是数据加载器已经消费到哪一条的记录。Miles v0.1 的 Checkpoint 机制模仿了 C4 那套 runtime state dump 的思路把 Trainer 和 DataLoader 的状态打包保存重启后能回到中断点继续。很多框架只保存模型权重恢复后 lr 从零开始打发现 loss 曲线出现一个明显的断层再想查原因已经晚了。第四是资源效率Resource Efficiency。后训练的数据集通常使用 Sequence Packing 把多条短样本拼接进一个长序列以避免 padding 造成的算力浪费。Miles 支持 packing 并配合 Flash Attention 和预计算 tokenizer把 GPU 的有效利用率拉高了一个档。这一点在下游业务场景里直接对应成本不是锦上添花。一个 8B 模型的 SFT用 packing 通常能让吞吐提升 30% 到 50%跑一天下来省下的算力经费非常可观。1.3 与常见开源框架的定位对比要说生产级 Post-Training绕不开几个名字Axolotl、Nemotron 系列、还有 HuggingFace 的 TRL。Miles 跟它们的定位有区别直接看对比更清楚框架配置驱动追溯能力弹性恢复适合人群Axolotl强 YAML 驱动一般靠 WandB 外部记录依赖 HF Trainer想快速跑 SFT/DPO 的算法工程师Nemotron管线灵活较好有脚本支持需要深度定制的研究团队TRL代码驱动一般依赖 Trainer做算法原型验证Miles v0.1YAML 代码混合数据 hash config 序列化原生支持需要稳定跑生产训练的工程团队从表格能看出Miles 并没有试图在算法新颖性上对标谁它解决的是大规模、长期、多人协作这个场景下的工程问题。这跟论文标题里的 Production-Level 完全对应不是做一个更强的训练算法而是做一个能扛住生产压力的训练系统。如果你只是单卡跑跑小模型试 ideaMiles 不一定比 TRL 省事但当你开始管理多卡、多节点、多实验并行的时候它省下的心智负担会成倍放大。2. 核心功能解析与实操要点从配置到训练的关键细节2.1 配置文件配置驱动与代码驱动的平衡用过的同学都知道Axolotl 这类纯 YAML 驱动的框架上手快但真要排查复杂问题或者植入自定义损失时会明显感到力不从心。Miles 的做法是YAML 管宏观、Python 管微观我自己非常认同这个方向。下面这份完整的 SFT 配置保留了 v0.1 论文里的核心字段结构挑选的路径就是一个能直接跑的最小闭环data: dataset_name: your_dataset dataset_path: /mnt/data/your_jsonl_dir tokenizer_name: meta-llama/Llama-3-8B use_seq_packing: true max_seq_len: 8192 num_training_samples: 10000000000 mask_prompt: false model: model_name: meta-llama/Llama-3-8B fsdp_config: use_orig_params: true attention_config: attn_impl: flash init_cfg: std: 0.02 optimizer: name: decoupled_adamw lr: 0.0002 betas: [0.9, 0.95] eps: 1.0e-08 weight_decay: 0.0 global_metric_type: throughput scheduler: name: cosine_with_warmup t_warmup: 1d alpha_f: 0.1 trainer: device_train_microbatch_size: 2 precision: amp_bf16 max_duration: 2d eval_interval: 1000 save_interval: 2000 log_to_console: true console_log_interval: 1ba trainer_logging_callback: halite_or_simple save_artifact: checkpoints/{run_name} run_name: miles_sft_llama3_8b n_gpu: 8 n_node: 1这份配置里几乎没有哪个字段是多余的。use_seq_packing和max_seq_len决定了数据管道怎么处理变长样本decoupled_adamw是 DeepSpeed/Megatron 系常用的优化器它对 weight decay 的处理跟普通 AdamW 不同不会把 decay 施加到 bias 和 norm 参数上恢复时也要求状态完全匹配t_warmup: 1d的意思是 warmup 时长用一个自然日的真实时间来算而不是按 step 数这提醒你 Miles 的时间基准是墙钟时间和max_duration: 2d对齐整个训练计划是按真实运行时长规划的。2.2 SFT 与 DPO 训练中的关键开关Miles v0.1 的 SFT 路径相对简单但有几个开关会直接影响训练质量和速度。第一个是mask_prompt。SFT 阶段如果数据里 prompt 和 response 是拼接在一起的通常建议把 prompt 部分的 loss 屏蔽掉只让模型学习 response 部分。Miles 里这个开关放在数据配置下默认是 false实际跑业务数据时建议手动开启。第二个是use_seq_packing短样本凑长序列时Miles 会在样本边界插入 EOS token然后按max_seq_len截断不需要你自己写 packing 逻辑。DPO 路径则多了一整套参考模型的设置。论文里特别强调DPO 训练期间参考模型必须全程冻结而且参考模型和策略模型要加载同一份 tokenizer否则 log-prob 的对齐会出现偏差。Miles 的配置里有一个dpo_ref_model字段通常指向 SFT 产出的那个 checkpointdpo: dpo_ref_model: checkpoints/miles_sft_llama3_8b/checkpoint-2000 dpo_beta: 0.1 label_smoothing: 0.0dpo_beta控制 DPO 损失的宽度一般在 0.05 到 0.2 之间调试我见过不少团队直接抄论文的 0.1结果在业务数据上表现不佳实际上这个值跟 reward 模型的质量强相关应该当作超参来调。label_smoothing则是用来防止模型过度自信的如果发现 DPO 之后模型输出变得特别极端可以试着把 label_smoothing 调到 0.05 左右重跑一次。序列打包长度也是容易踩坑的点。Miles 里 DPO 数据经常包含三列prompt、chosen、rejected。packing 时不是简单把 chosen 和 rejected 各自拼成长序列而是要确保每条样本的 reference log-prob 计算范围一致。有一次我发现 DPO 训练 loss 反复横跳最后排查下来是 packing 时 chosen 和 rejected 的长度不一致导致模型比较两个序列时没有对齐语义单元换了更严格的对齐方式后立刻稳定下来。2.3 可观测性与 Checkpoint 机制Miles 把每一个实验的所有运行产物都塞进一个以run_name命名的目录里。启动训练后你会看到类似这样的目录结构checkpoints/ └── miles_sft_llama3_8b/ ├── config.yaml ├── metrics/ ├── logs/ ├── checkpoints/ └── .latest - /real/path/to/checkpoint-2000其中.latest是一个 symlink这是我从论文里学到的一个很有价值的细节。训练过程中模型保存到真实目录稳定成功后才会把.latest指向新 checkpoint而不是直接把模型覆盖写到同一个路径。这样即使中断发生在写入中间也不会留下一个半坏的 checkpoint。很多线上事故的根源就是覆盖写入训练进程被 kill 的瞬间正好在写权重重启后加载到不完整的文件报错又看不出原因最后只能从头再跑。日志方面Miles 默认同时输出控制台日志和结构化指标。生产环境里我建议打开log_to_console因为很多训练机没有独立的监控面板直接在终端 tail 日志是最快的排查方式。控制台日志间隔设成1ba表示每个 batch 打印一次配合console_log_interval可以控制频率避免日志刷屏导致 I/O 成为瓶颈。3. 实操过程与核心环节实现从安装到断点续训3.1 安装与最小配置跑通Miles 的安装走的是标准 Python 工具链论文里给出的方式是用 uv 做环境隔离这个做法在多卡环境下特别明智因为它能避免系统级 Python 包冲突。我建议按下面几步操作uv tool install --python 3.11 miles miles --version如果你在自定义环境里已经有 CUDA 和 PyTorch也可以直接pip install miles但要注意版本对齐Miles v0.1 官方支持 PyTorch 2.1 以上和 CUDA 12.1。装完后先跑一个最小的 SFT 样例用公开的小数据集验证安装miles train --config configs/sft_small.yaml一个 1B 规模的模型用单卡跑几百个 step主要目的是确认数据加载、前向反向、指标输出这条链路是通的。我第一次跑的时候忽略了 dataset_path 是目录还是文件导致数据管道一直空转日志里显示 throughput 为零排查了半天发现是路径格式不对。Miles 的 dataset_path 通常指向一个包含多个 jsonl 文件的目录如果你的数据是单文件要确保配置里的 reader 类型匹配。3.2 多节点训练与中断恢复当你要正式跑 8B 或更大的模型时单机就不够了。Miles 的多节点参数在配置里已经出现n_gpu和n_node分别表示单机 GPU 数和节点数运行时还需要通过环境变量指定主节点地址。以两台 8 卡机器为例export HOST_NODEnode01:4321 export NUM_NODES2 miles train --config configs/sft_llama3_8b.yaml \ --n_gpu 8 \ --n_node 2 \ --host_node $HOST_NODE注意 4321 这个端口是给分布式通信用的你在防火墙里必须放行而且要和 PyTorch 的MASTER_PORT保持一致。另一个容易忽略的点是所有节点的训练数据必须挂在同一个路径下dataset_path里不能出现某个节点独享的本地目录否则数据 hash 对不上训练直接跑不起来。中断恢复用的是--load_path参数指向想恢复的 checkpoint 目录miles train --config configs/sft_llama3_8b.yaml \ --load_path checkpoints/miles_sft_llama3_8b/latest \ --load_ignore_keys ^model.layers.*load_ignore_keys是个正则表达式用来临时屏蔽掉某些层不加载。这个功能在你临时改了模型结构、又不想从头训练时会派上用场比如给模型加了一个新的 adapter 层旧 checkpoint 里没有对应权重不屏蔽的话加载会直接报错。恢复之后Miles 会重新计算已完成的训练时长并把调度器位置拨到正确的地方而不是从 warmup 重来。3.3 从 SFT 切到 DPO 的关键路径生产里最常见的流程是先 SFT 再 DPO。我的建议是SFT 阶段的 checkpoint 不要只保留最后一个DPO 的参考模型往往需要选择某个中间 checkpoint因为全量 SFT 跑完的模型可能已经偏离基座模型太远DPO 阶段反而不容易收敛得快。具体做法miles train --config configs/dpo_llama3_8b.yaml \ --load_path checkpoints/miles_sft_llama3_8b/checkpoint-2000 \ --dpo_ref_model checkpoints/miles_sft_llama3_8b/checkpoint-2000这里我把策略模型初始化和参考模型都指到了同一个 SFT checkpoint这是 DPO 的标准做法。数据格式上Miles 的 DPO 数据每条记录包含prompt、chosen、rejected三个字段可以用 jsonl 存储。如果已经有偏好数据但只有 chosen 没有 rejected需要提前用 SFT 模型或者其他策略模型去采样出 rejected这一步很关键rejected 的质量直接影响 DPO 效果。我踩过的一个坑是直接用基座模型采样 rejected结果太长太啰嗦DPO 之后模型虽然学会避免这类输出但同时也变得过于保守输出变短变空最后只好重新采样一轮 rejected 才解决。4. 常见问题与排查技巧实录4.1 显存 OOM 与 Sequence Packing 的坑OOM 是后训练里最常见的报错但原因未必是 batch size 太大。Miles 开了use_seq_packing之后一个 micro batch 里会拼出几个接近max_seq_len的长序列显存峰值比普通 padding 模式高不少。如果你的卡是 80G训练 8B 模型时device_train_microbatch_size: 2通常没问题但max_seq_len提到 16384 后很可能直接爆显存。这时不要急着调小 batch size先看两件事attn_impl是否已经切到 flash以及precision是不是amp_bf16。这两个开关不打开长序列的显存开销是翻倍的。如果确认 flash 和 bf16 都开了还是 OOM再考虑开启 activation checkpointing。Miles 的配置里可以在 model 段加activation_checkpointing: true训练速度会下降 20% 左右但显存占用能降三分之一。实际业务中我一般先跑一个 100 step 的 smoke test观察显存曲线再决定要不要开 activation checkpointing而不是一上来就关 batch size。4.2 Checkpoint 恢复后 Loss 和 LR 错乱很多人在恢复训练后发现 loss 曲线出现一个断崖然后一路走高第一反应是模型坏掉了其实大概率是优化器状态和学习率没有恢复正确。Miles 的恢复机制默认会把优化器 state 和 scheduler state 一起加载但有个前提训练配置必须和保存时一致。你如果恢复时改了lr或者改了scheduler.name加载逻辑依然会按新的配置去重建 scheduler而优化器状态里的动量项还是旧的两者一冲突loss 就会乱飞。我的处理方式是生产环境里把 config.yaml 作为不可变文件每次实验生成独立目录恢复训练时除了--load_path之外不允许临时改任何超参。如果确实要改学习率正确的做法是保存一个新 config 并重新初始化 scheduler而不是在旧 checkpoint 上硬改。另一个容易忽略的是 RNG 状态Miles 会把随机种子保存进 checkpoint恢复后数据加载顺序能无缝衔接。这就引出下一个问题数据版本。4.3 数据版本不一致导致恢复失败Miles 在训练启动时会对每条训练数据计算内容 hash并把 hash 记录到当前 checkpoint 里。恢复训练时如果dataset_path指向的数据被改动过框架会报出类似Dataset hashes do not match的错误。这个设计一开始会让人觉得麻烦但它救过我一次有一次我们脚本里有个数据预处理逻辑偶尔会把某条样本的 response 字段覆盖成空字符串导致生成的数据在训练中途发生了变化如果没有 hash 校验整个实验就废了。如果你确实想跳过数据校验比如只是想快速看一眼 loss 曲线可以用--load_ignore_keys .*dataset.*临时忽略。但我强烈不建议在生产训练中这么做因为你不知道数据差在哪恢复后的训练结果就没有可复现性。正确的做法是回到数据生成链路确定改动是预期的之后重新生成一份数据并更新 hash 记录再正常恢复。4.4 吞吐量上不去的隐藏瓶颈如果你发现 GPU 利用率不高但又不是 OOM问题大概率出在数据管道的 CPU 侧和 GPU 通信上。Miles 支持预计算 tokenizer意思是在训练开始前就把所有文本序列化到 token ID训练过程中不再重复切词。这个开关在配置里是pre_tokenize: true它能把数据加载的耗时缩短一个量级。另一个容易踩的坑是console_log_interval设得太小比如 1ba。日志打印本身不贵但如果同时把完整指标序列化到磁盘高频 I/O 会拖慢训练。我实测下来8 卡节点上1ba的日志间隔会让整体吞吐下降约 5%。生产环境建议把结构化指标写到 metrics 的间隔调成每 10 步一次控制台日志保持 1ba 方便看实时状态这样平衡了可观测性和性能。多卡通信方面确认一下NCCL_IB_DISABLE和NCCL_SOCKET_IFNAME设置是否正确有时候 InfiniBand 没打通数据走 TCP 回退吞吐会直接腰斩。4.5 一个容易被忽略的稳定运行细节最后分享一个我在实际使用中的体会。Miles 的 checkpoint 保存频率save_interval: 2000看起来合理但在生产集群里作业调度系统随时可能抢占资源间隔越大丢失的训练量越多。我自己习惯把save_interval调成500甚至更短同时把旧的 checkpoint 设置成只保留最近三个。磁盘占用会稍微多一点但换来的是任何时刻出问题最多丢几百个 step整个团队的心态都会稳很多。从设计上看Miles v0.1 把后训练从跑脚本提升到了管实验的层级。它不是那种装上就能让你原地起飞的神器真正的价值在于那些生产环境里摸爬滚打才会遇到的细节数据 hash、状态恢复、预计算 tokenizer、symlink 指向。如果你正在搭微调平台或者刚被多节点 DPO 的恢复问题折磨过很值得照着论文把它的关键机制试一遍至少把数据 hash runtime state dump 多节点恢复这套思路抄进自己的项目里收益会非常直接。
Miles v0.1：生产级大模型后训练框架的工程实践与避坑指南
Miles 这个项目名字你可能还很陌生但 Post-Training 这个词只要是跑过大模型微调的人都不会陌生。从 SFT 到 DPO从 RLHF 到各种对齐策略后训练环节在最近两年几乎以周为单位在迭代但真正能扛住生产环境压力的训练框架掰着指头数也就那么几个。Miles v0.1 的论文标题特意写了 Production-Level意思很明确它不是一个研究原型也不是一个跑通 Demo 就结束的玩具而是冲着长时间稳定运行、可复现、可观测、可恢复这四个目标去的。这篇文章基于论文公开设计结合我在大模型训练工程上的一些实际经验把它的设计思路、核心配置、实操流程和踩坑记录完整拆一遍。适合正在搭建模型微调平台、或者打算把 SFT/DPO 训练落地到本地集群和云环境上的同学参考。1. Miles到底在解决什么问题Production-Level Post-Training的四个痛点1.1 后训练阶段为什么总在作坊式运行在拆 Miles 之前先聊聊为什么大模型的后训练尤其是 SFT 和 DPO一直是整个 LLM 链路里最手工的一环。预训练阶段大家普遍依赖成熟 Pipeline数据集、学习率、优化器都可以固定到以月为单位去跑。但后训练阶段完全不同数据迭代快策略切换频繁团队往往要在一天半之内跑完一个实验然后立刻根据指标调整配方。这种节奏下大家习惯的做法是一堆脚本加一份 Markdown 记录GPU 利用率不高不说实验两周一对比谁也不知道当时的 config 改了什么、数据 hash 是多少、优化器状态是否干净。Miles v0.1 的设计动机就是压缩这套手工作业。论文里描述的框架本质上是一个把配置、数据、训练、指标追踪、Checkpoint 管理串成一个闭环的后训练系统。它的目标不是提供一个比现有库更强的模型而是让你在跑完一轮 70B 模型的 DPO 之后还能清楚地回答三个问题上一次跑用的确切数据是哪一版、训练到 40% 时中间状态有没有异常、如果现在中断一小时后想恢复能不能无缝接上。这三个问题恰恰是生产级训练与传统微调脚本之间最大的分界线。1.2 四个生产级关键词的拆解论文反复强调的四个关键词我结合自己跑训练的经验逐一展开。第一是可复现性Reproducibility。它做的不只是固定随机种子而是给每一条训练数据在进入数据管道时计算内容 hash连同 config 的序列化结果一起写入运行时记录。这样任何一个时间点的训练都可以精确回溯到数据版本和参数版本。这一点在算法团队里特别容易引发争论很多人觉得我改了 prompt 模板效果变化不明显但如果拿不出数据 hash 来证明训练样本确实一致争论就永远没有结论。注意可复现不是每次结果都一样而是每次结果的差异都可以归因。Miles 把数据、代码、配置、中间状态四者全部留痕归因才有了依据。第二是可观测性Observability。Miles 在训练循环里内置了指标记录和轨迹追踪每个 step 的 loss、lr、grad norm、throughput 会以结构化格式输出到指定目录同时保留一份纯文本控制台日志。这对长时间训练非常重要因为很多问题比如 loss 突然跳高、吞吐骤降需要回看历史趋势才能定位。我自己的经验是问题出现五分钟内如果能定位到是数据问题还是环境问题整个团队的焦虑程度完全不一样。第三是弹性恢复Elasticity。中断恢复不是简单地加载 checkpoint 继续跑而是要在恢复时同步恢复优化器状态、学习率调度器位置、RNG 状态甚至是数据加载器已经消费到哪一条的记录。Miles v0.1 的 Checkpoint 机制模仿了 C4 那套 runtime state dump 的思路把 Trainer 和 DataLoader 的状态打包保存重启后能回到中断点继续。很多框架只保存模型权重恢复后 lr 从零开始打发现 loss 曲线出现一个明显的断层再想查原因已经晚了。第四是资源效率Resource Efficiency。后训练的数据集通常使用 Sequence Packing 把多条短样本拼接进一个长序列以避免 padding 造成的算力浪费。Miles 支持 packing 并配合 Flash Attention 和预计算 tokenizer把 GPU 的有效利用率拉高了一个档。这一点在下游业务场景里直接对应成本不是锦上添花。一个 8B 模型的 SFT用 packing 通常能让吞吐提升 30% 到 50%跑一天下来省下的算力经费非常可观。1.3 与常见开源框架的定位对比要说生产级 Post-Training绕不开几个名字Axolotl、Nemotron 系列、还有 HuggingFace 的 TRL。Miles 跟它们的定位有区别直接看对比更清楚框架配置驱动追溯能力弹性恢复适合人群Axolotl强 YAML 驱动一般靠 WandB 外部记录依赖 HF Trainer想快速跑 SFT/DPO 的算法工程师Nemotron管线灵活较好有脚本支持需要深度定制的研究团队TRL代码驱动一般依赖 Trainer做算法原型验证Miles v0.1YAML 代码混合数据 hash config 序列化原生支持需要稳定跑生产训练的工程团队从表格能看出Miles 并没有试图在算法新颖性上对标谁它解决的是大规模、长期、多人协作这个场景下的工程问题。这跟论文标题里的 Production-Level 完全对应不是做一个更强的训练算法而是做一个能扛住生产压力的训练系统。如果你只是单卡跑跑小模型试 ideaMiles 不一定比 TRL 省事但当你开始管理多卡、多节点、多实验并行的时候它省下的心智负担会成倍放大。2. 核心功能解析与实操要点从配置到训练的关键细节2.1 配置文件配置驱动与代码驱动的平衡用过的同学都知道Axolotl 这类纯 YAML 驱动的框架上手快但真要排查复杂问题或者植入自定义损失时会明显感到力不从心。Miles 的做法是YAML 管宏观、Python 管微观我自己非常认同这个方向。下面这份完整的 SFT 配置保留了 v0.1 论文里的核心字段结构挑选的路径就是一个能直接跑的最小闭环data: dataset_name: your_dataset dataset_path: /mnt/data/your_jsonl_dir tokenizer_name: meta-llama/Llama-3-8B use_seq_packing: true max_seq_len: 8192 num_training_samples: 10000000000 mask_prompt: false model: model_name: meta-llama/Llama-3-8B fsdp_config: use_orig_params: true attention_config: attn_impl: flash init_cfg: std: 0.02 optimizer: name: decoupled_adamw lr: 0.0002 betas: [0.9, 0.95] eps: 1.0e-08 weight_decay: 0.0 global_metric_type: throughput scheduler: name: cosine_with_warmup t_warmup: 1d alpha_f: 0.1 trainer: device_train_microbatch_size: 2 precision: amp_bf16 max_duration: 2d eval_interval: 1000 save_interval: 2000 log_to_console: true console_log_interval: 1ba trainer_logging_callback: halite_or_simple save_artifact: checkpoints/{run_name} run_name: miles_sft_llama3_8b n_gpu: 8 n_node: 1这份配置里几乎没有哪个字段是多余的。use_seq_packing和max_seq_len决定了数据管道怎么处理变长样本decoupled_adamw是 DeepSpeed/Megatron 系常用的优化器它对 weight decay 的处理跟普通 AdamW 不同不会把 decay 施加到 bias 和 norm 参数上恢复时也要求状态完全匹配t_warmup: 1d的意思是 warmup 时长用一个自然日的真实时间来算而不是按 step 数这提醒你 Miles 的时间基准是墙钟时间和max_duration: 2d对齐整个训练计划是按真实运行时长规划的。2.2 SFT 与 DPO 训练中的关键开关Miles v0.1 的 SFT 路径相对简单但有几个开关会直接影响训练质量和速度。第一个是mask_prompt。SFT 阶段如果数据里 prompt 和 response 是拼接在一起的通常建议把 prompt 部分的 loss 屏蔽掉只让模型学习 response 部分。Miles 里这个开关放在数据配置下默认是 false实际跑业务数据时建议手动开启。第二个是use_seq_packing短样本凑长序列时Miles 会在样本边界插入 EOS token然后按max_seq_len截断不需要你自己写 packing 逻辑。DPO 路径则多了一整套参考模型的设置。论文里特别强调DPO 训练期间参考模型必须全程冻结而且参考模型和策略模型要加载同一份 tokenizer否则 log-prob 的对齐会出现偏差。Miles 的配置里有一个dpo_ref_model字段通常指向 SFT 产出的那个 checkpointdpo: dpo_ref_model: checkpoints/miles_sft_llama3_8b/checkpoint-2000 dpo_beta: 0.1 label_smoothing: 0.0dpo_beta控制 DPO 损失的宽度一般在 0.05 到 0.2 之间调试我见过不少团队直接抄论文的 0.1结果在业务数据上表现不佳实际上这个值跟 reward 模型的质量强相关应该当作超参来调。label_smoothing则是用来防止模型过度自信的如果发现 DPO 之后模型输出变得特别极端可以试着把 label_smoothing 调到 0.05 左右重跑一次。序列打包长度也是容易踩坑的点。Miles 里 DPO 数据经常包含三列prompt、chosen、rejected。packing 时不是简单把 chosen 和 rejected 各自拼成长序列而是要确保每条样本的 reference log-prob 计算范围一致。有一次我发现 DPO 训练 loss 反复横跳最后排查下来是 packing 时 chosen 和 rejected 的长度不一致导致模型比较两个序列时没有对齐语义单元换了更严格的对齐方式后立刻稳定下来。2.3 可观测性与 Checkpoint 机制Miles 把每一个实验的所有运行产物都塞进一个以run_name命名的目录里。启动训练后你会看到类似这样的目录结构checkpoints/ └── miles_sft_llama3_8b/ ├── config.yaml ├── metrics/ ├── logs/ ├── checkpoints/ └── .latest - /real/path/to/checkpoint-2000其中.latest是一个 symlink这是我从论文里学到的一个很有价值的细节。训练过程中模型保存到真实目录稳定成功后才会把.latest指向新 checkpoint而不是直接把模型覆盖写到同一个路径。这样即使中断发生在写入中间也不会留下一个半坏的 checkpoint。很多线上事故的根源就是覆盖写入训练进程被 kill 的瞬间正好在写权重重启后加载到不完整的文件报错又看不出原因最后只能从头再跑。日志方面Miles 默认同时输出控制台日志和结构化指标。生产环境里我建议打开log_to_console因为很多训练机没有独立的监控面板直接在终端 tail 日志是最快的排查方式。控制台日志间隔设成1ba表示每个 batch 打印一次配合console_log_interval可以控制频率避免日志刷屏导致 I/O 成为瓶颈。3. 实操过程与核心环节实现从安装到断点续训3.1 安装与最小配置跑通Miles 的安装走的是标准 Python 工具链论文里给出的方式是用 uv 做环境隔离这个做法在多卡环境下特别明智因为它能避免系统级 Python 包冲突。我建议按下面几步操作uv tool install --python 3.11 miles miles --version如果你在自定义环境里已经有 CUDA 和 PyTorch也可以直接pip install miles但要注意版本对齐Miles v0.1 官方支持 PyTorch 2.1 以上和 CUDA 12.1。装完后先跑一个最小的 SFT 样例用公开的小数据集验证安装miles train --config configs/sft_small.yaml一个 1B 规模的模型用单卡跑几百个 step主要目的是确认数据加载、前向反向、指标输出这条链路是通的。我第一次跑的时候忽略了 dataset_path 是目录还是文件导致数据管道一直空转日志里显示 throughput 为零排查了半天发现是路径格式不对。Miles 的 dataset_path 通常指向一个包含多个 jsonl 文件的目录如果你的数据是单文件要确保配置里的 reader 类型匹配。3.2 多节点训练与中断恢复当你要正式跑 8B 或更大的模型时单机就不够了。Miles 的多节点参数在配置里已经出现n_gpu和n_node分别表示单机 GPU 数和节点数运行时还需要通过环境变量指定主节点地址。以两台 8 卡机器为例export HOST_NODEnode01:4321 export NUM_NODES2 miles train --config configs/sft_llama3_8b.yaml \ --n_gpu 8 \ --n_node 2 \ --host_node $HOST_NODE注意 4321 这个端口是给分布式通信用的你在防火墙里必须放行而且要和 PyTorch 的MASTER_PORT保持一致。另一个容易忽略的点是所有节点的训练数据必须挂在同一个路径下dataset_path里不能出现某个节点独享的本地目录否则数据 hash 对不上训练直接跑不起来。中断恢复用的是--load_path参数指向想恢复的 checkpoint 目录miles train --config configs/sft_llama3_8b.yaml \ --load_path checkpoints/miles_sft_llama3_8b/latest \ --load_ignore_keys ^model.layers.*load_ignore_keys是个正则表达式用来临时屏蔽掉某些层不加载。这个功能在你临时改了模型结构、又不想从头训练时会派上用场比如给模型加了一个新的 adapter 层旧 checkpoint 里没有对应权重不屏蔽的话加载会直接报错。恢复之后Miles 会重新计算已完成的训练时长并把调度器位置拨到正确的地方而不是从 warmup 重来。3.3 从 SFT 切到 DPO 的关键路径生产里最常见的流程是先 SFT 再 DPO。我的建议是SFT 阶段的 checkpoint 不要只保留最后一个DPO 的参考模型往往需要选择某个中间 checkpoint因为全量 SFT 跑完的模型可能已经偏离基座模型太远DPO 阶段反而不容易收敛得快。具体做法miles train --config configs/dpo_llama3_8b.yaml \ --load_path checkpoints/miles_sft_llama3_8b/checkpoint-2000 \ --dpo_ref_model checkpoints/miles_sft_llama3_8b/checkpoint-2000这里我把策略模型初始化和参考模型都指到了同一个 SFT checkpoint这是 DPO 的标准做法。数据格式上Miles 的 DPO 数据每条记录包含prompt、chosen、rejected三个字段可以用 jsonl 存储。如果已经有偏好数据但只有 chosen 没有 rejected需要提前用 SFT 模型或者其他策略模型去采样出 rejected这一步很关键rejected 的质量直接影响 DPO 效果。我踩过的一个坑是直接用基座模型采样 rejected结果太长太啰嗦DPO 之后模型虽然学会避免这类输出但同时也变得过于保守输出变短变空最后只好重新采样一轮 rejected 才解决。4. 常见问题与排查技巧实录4.1 显存 OOM 与 Sequence Packing 的坑OOM 是后训练里最常见的报错但原因未必是 batch size 太大。Miles 开了use_seq_packing之后一个 micro batch 里会拼出几个接近max_seq_len的长序列显存峰值比普通 padding 模式高不少。如果你的卡是 80G训练 8B 模型时device_train_microbatch_size: 2通常没问题但max_seq_len提到 16384 后很可能直接爆显存。这时不要急着调小 batch size先看两件事attn_impl是否已经切到 flash以及precision是不是amp_bf16。这两个开关不打开长序列的显存开销是翻倍的。如果确认 flash 和 bf16 都开了还是 OOM再考虑开启 activation checkpointing。Miles 的配置里可以在 model 段加activation_checkpointing: true训练速度会下降 20% 左右但显存占用能降三分之一。实际业务中我一般先跑一个 100 step 的 smoke test观察显存曲线再决定要不要开 activation checkpointing而不是一上来就关 batch size。4.2 Checkpoint 恢复后 Loss 和 LR 错乱很多人在恢复训练后发现 loss 曲线出现一个断崖然后一路走高第一反应是模型坏掉了其实大概率是优化器状态和学习率没有恢复正确。Miles 的恢复机制默认会把优化器 state 和 scheduler state 一起加载但有个前提训练配置必须和保存时一致。你如果恢复时改了lr或者改了scheduler.name加载逻辑依然会按新的配置去重建 scheduler而优化器状态里的动量项还是旧的两者一冲突loss 就会乱飞。我的处理方式是生产环境里把 config.yaml 作为不可变文件每次实验生成独立目录恢复训练时除了--load_path之外不允许临时改任何超参。如果确实要改学习率正确的做法是保存一个新 config 并重新初始化 scheduler而不是在旧 checkpoint 上硬改。另一个容易忽略的是 RNG 状态Miles 会把随机种子保存进 checkpoint恢复后数据加载顺序能无缝衔接。这就引出下一个问题数据版本。4.3 数据版本不一致导致恢复失败Miles 在训练启动时会对每条训练数据计算内容 hash并把 hash 记录到当前 checkpoint 里。恢复训练时如果dataset_path指向的数据被改动过框架会报出类似Dataset hashes do not match的错误。这个设计一开始会让人觉得麻烦但它救过我一次有一次我们脚本里有个数据预处理逻辑偶尔会把某条样本的 response 字段覆盖成空字符串导致生成的数据在训练中途发生了变化如果没有 hash 校验整个实验就废了。如果你确实想跳过数据校验比如只是想快速看一眼 loss 曲线可以用--load_ignore_keys .*dataset.*临时忽略。但我强烈不建议在生产训练中这么做因为你不知道数据差在哪恢复后的训练结果就没有可复现性。正确的做法是回到数据生成链路确定改动是预期的之后重新生成一份数据并更新 hash 记录再正常恢复。4.4 吞吐量上不去的隐藏瓶颈如果你发现 GPU 利用率不高但又不是 OOM问题大概率出在数据管道的 CPU 侧和 GPU 通信上。Miles 支持预计算 tokenizer意思是在训练开始前就把所有文本序列化到 token ID训练过程中不再重复切词。这个开关在配置里是pre_tokenize: true它能把数据加载的耗时缩短一个量级。另一个容易踩的坑是console_log_interval设得太小比如 1ba。日志打印本身不贵但如果同时把完整指标序列化到磁盘高频 I/O 会拖慢训练。我实测下来8 卡节点上1ba的日志间隔会让整体吞吐下降约 5%。生产环境建议把结构化指标写到 metrics 的间隔调成每 10 步一次控制台日志保持 1ba 方便看实时状态这样平衡了可观测性和性能。多卡通信方面确认一下NCCL_IB_DISABLE和NCCL_SOCKET_IFNAME设置是否正确有时候 InfiniBand 没打通数据走 TCP 回退吞吐会直接腰斩。4.5 一个容易被忽略的稳定运行细节最后分享一个我在实际使用中的体会。Miles 的 checkpoint 保存频率save_interval: 2000看起来合理但在生产集群里作业调度系统随时可能抢占资源间隔越大丢失的训练量越多。我自己习惯把save_interval调成500甚至更短同时把旧的 checkpoint 设置成只保留最近三个。磁盘占用会稍微多一点但换来的是任何时刻出问题最多丢几百个 step整个团队的心态都会稳很多。从设计上看Miles v0.1 把后训练从跑脚本提升到了管实验的层级。它不是那种装上就能让你原地起飞的神器真正的价值在于那些生产环境里摸爬滚打才会遇到的细节数据 hash、状态恢复、预计算 tokenizer、symlink 指向。如果你正在搭微调平台或者刚被多节点 DPO 的恢复问题折磨过很值得照着论文把它的关键机制试一遍至少把数据 hash runtime state dump 多节点恢复这套思路抄进自己的项目里收益会非常直接。
