VeRL-Omni 是一个面向多模态生成模子的通用 RL 后磨砺框架，由 VeRL-Omni 团队在 verl 与 vllm-omni 之上构建。阴私扩散 transformer（Qwen-Image）、夹杂 AR-DiT（Qwen-Omni）、长入清楚 + 生成（BAGEL、HunyuanImage-3.0）等架构。

多模态 rollout 走 vLLM-Omni 的异步高微辞 serving，VLM-as-judge / OCR 奖励模子走 vLLM 推理，并与 rollout、磨砺 overlap。Qwen-Image OCR FlowGRPO 演示中，把奖励模子放到落寞 GPU 可将每步 wall-clock 工夫裁减约 14%。

VeRL-Omni 架构

代码： github.com/verl-project/verl-omni

文档： verl-omni.readthedocs.io

vLLM 官方博客：vllm.ai/blog/verl-omni

为什么需要 VeRL-Omni

RL 仍是成为把大型生成模子对王人到东谈主类偏好与下流任务奖励的有劲妙技。昔时一年 LLM 的 RL 磨砺栈赶紧演进，但多模态生成 RL—— 阴私图像 / 视频 / 音频清楚与生成的扩散和全模态模子 —— 还有几个环节缺口：

扩散与全模态推广：把 verl 的纯真性和性能蔓延到多模态、非自回首 RL 磨砺的寰宇，包括扩散 transformer 骨干（Qwen-Image）、夹杂 AR-DiT 架构（Qwen-Omni）、长入清楚 + 生成模子（BAGEL、HunyuanImage-3.0）；

异构 rollout 活水线：Rollout 是流畅 latent 空间里的去噪轨迹，而不是 token 序列；单次 rollout 还可能调用多个异构模子组件、走多阶段活水线（text encoder → DiT → VAE）；

复杂的负载调遣：多模态 RL 磨砺的奖励函数自己便是多模态模子（VLM judge、OCR scorer 等），多模态生成 rollout 的峰值显存又比文本生成高得多，把这些责任流编排好并不粗陋。

环节特质

高效的多模态 rollout： 集成 vLLM-Omni 的异步高微辞多模态生成 serving，精度与 diffusers 捏平。VeRL-Omni 与 vLLM-Omni 协同，通过 step-wise continuous batching、embedding caching 等捏续优化 rollout 效果。

纯确切奖励引擎： 同期赈济基于规定的奖励与基于模子的奖励（如 VLM-as-judge for OCR）。集成 vLLM 用于高效的 VLM / LLM 奖励模子推理。奖励揣摸与 rollout、磨砺经由 overlap，裁减端到端延迟。

模块化磨砺后端： 提供多种 trainer（DiffusersFSDP / Megatron / VeOmni），针对扩散和全模态模子内置优化，便于接入不同并行战略（FSDP / USP / TP）。

庸碌的硬件兼容： 同期赈济 NVIDIA GPU 和昇腾 NPU，部署可在多种硬件后端之间纯显露换。

端到端磨砺 recipe 与基准： 提供参考性能限制；成绩于上述特质，磨砺微辞不错作念得很高。

算法与模子赈济

上手指南

安设

详见安设文档：

https://verl-omni.readthedocs.io/en/latest/start/install.html

磨砺扩散模子

examples 目次（https://github.com/verl-project/verl-omni/tree/main/examples）提供了不同 RL 算法 trainer 的启动剧本，阴私图像 / 音频 / 视频清楚与生成任务。磨砺性能与限制不错通过 wandb 追踪。

Demo：Qwen-Image FlowGRPO 后磨砺

在 flowgrpo 示例中，团队用 OCR 奖励任务磨砺 Qwen-Image。奖励模子承袭 Qwen3-VL-8B-Instruct，通过读取生成图像里的渲染笔墨、与数据集 ground truth 比对，对生成图像评分。

flowgrpo 示例：https://github.com/verl-project/verl-omni/tree/main/examples/flowgrpo_trainer

算法回想

FlowGRPO 算法暗意

FlowGRPO 暗意

FlowGRPO 是面向 flow-matching 模子的在线战略时势。它通过 diffusion policy 模子作念多步 SDE 采样以完了高效 RL 探索，并承袭基于模子的奖励评估生成质地。

磨砺经由主要分四步：

Rollout 生成： 扩散 policy 模子生成样本 rollout，开云体育世界杯中国官网首页网络 log probability 和生成图像的轨迹。

奖励模子打分：奖励模子给每个生成样本打分，用于揣摸 trajectory advantage。

战略优化：用 FlowGRPO CLIP-style loss 更新战略，基于 advantage 优化奖励。

权重同步：按时把 trainer 最新的战略权重同步到 rollout worker，确保生成样本反应最新战略。

LoRA 微调

NVIDIA H800 GPU 上的磨砺微辞如下：

把奖励模子放到落寞 GPU 上，与战略磨砺 overlap，每步 wall-clock 工夫裁减约 14%。

全模子微调

团队还考据了 non-CFG 全模子 Qwen-Image OCR 磨砺，在 4×NVIDIA H200 上达到 0.510 images/GPU/s，每步约 250 s。

底下不错看到，仅 120 步磨砺后，生成图像的笔墨渲染质地已有显赫擢升。

底下是参考磨砺弧线，critic reward 与 validation reward 都敛迹自若。

好意思满磨砺标的说卓见 Training Metrics 文档。

文档地址：https://verl-omni.readthedocs.io/en/latest/start/metrics.html

后续阶梯图

VeRL-Omni 仍处于活跃迭代的预发布阶段，扩散 RL 中枢栈仍是自若。阶梯图聚焦在推广模子 / 算法赈济，并继续推动高效多模态 RL 磨砺的规模。

模子赈济推广： 跟进开源的扩散和全模态模子，阴私图像 / 视频 / 音频生成任务以及长入清楚 + 生成任务；

算法赈济推广： 捏续集成自若、先进的 RL 算法（如 DiffusionNFT）；

全异步 RL： 在 actor、rollout、reward 之间走端到端异步活水线，超出面前的异步奖励规模，进一步擢升磨砺微辞和 GPU/NPU 应用率；

与 vLLM-Omni 协同优化： 生成 rollout 在磨砺工夫中占比很大，将通过更精熟的 vLLM-Omni 集成（并行、量化、batching、调遣优化等）继续加快多模态 rollout；

高效全模态 trainer： 在 DiffusersFSDPTrainer 除外，筹办放出更多针对全模态与扩散模子的高度优化 trainer 引擎，基于 Megatron-core 与 VeOmni；

更广的硬件赈济： 继续打磨昇腾 NPU 旅途，并通过 hardware plugin 系统接待更多硬件后端。

扩散和全模态 RL 后磨砺仅仅个驱动。VeRL-Omni 团队正在捏续赈济更多架构与算法开云体育世界杯中国官网首页，接待全部塑造异日。