RLark Web 控制台文档

主题

在单个 GPU 节点上运行 RLinf ​

本页主要适用于仿真、数学推理以及其他只需要一个 GPU 节点的 RLinf 工作负载。你可以用一个 RLark 角色创建一个 Worker；这个 Worker 会启动本次 Job 的 Ray 节点，RLinf 再按照原有的 component_placement 在其中运行 Actor、Rollout、Env 等组件。

接下来，你将使用现有 RLinf 工作负载的镜像、配置和启动命令完成一次单节点提交，并通过日志中的训练进展或持久化输出确认任务已经开始工作。

确认任务适合单节点运行 ​

满足以下条件时，可以按照本页操作：

  • RLinf 最终生效的 cluster.num_nodes 为 1；
  • 任务所需的 GPU、数据和存储都能由同一台计算节点提供；
  • 所有组件可以使用同一份镜像、挂载和启动环境。

需要多个 Worker 或额外资源字段时，请改用其他流程

如果 cluster.num_nodes 大于 1、配置包含多个 node_groups、不同 Worker 需要不同镜像或设备，或者任务必须声明当前创建页面无法填写的 CPU、内存或 /dev/shm，请改用规划多节点和异构 Worker，不要继续套用本页的单 Worker 配置。

真机任务需要先完成设备和安全确认

只有平台已经确认机器人、相机和所需驱动可以由这台计算节点上的同一个 Worker 使用，RLinf 配置仍为 cluster.num_nodes: 1，而且现场安全条件已经确认时，才可按照本页创建单节点真机任务。其他真机训练、评测或数据采集任务应先查看使用真实设备前的安全要求。

准备 RLinf 运行信息 ​

先从现有 RLinf 配置或运行记录中确认：

  • RLinf 镜像地址和明确版本，例如 registry.example.com/rlinf:v0.3.0-cuda12.4；
  • 这个 Worker 需要申请的 GPU 数量；
  • RLinf 启动命令，以及可选的环境准备命令；
  • 数据、模型、checkpoint 和训练输出在容器内使用的路径；
  • 判断任务正常运行的首个业务信号和预期输出位置。

这里只需要准备 RLinf 工作负载本身的信息。任务名称可以在页面中填写；任务使用哪组计算资源，将在 Step 3 根据控制台显示的选项确定。

Step 1 保留原有 RLinf 配置 ​

确认本次实际加载的 RLinf 配置使用 cluster.num_nodes: 1，并沿用该工作负载已经验证的以下设置：

  • component_placement；
  • Actor、Rollout、Env 等组件的 world size；
  • offload 设置；
  • pipeline_stage_num；
  • 算法、模型、数据和 checkpoint 配置。

这些设置决定 RLinf 如何使用 Worker 中的 GPU。在控制台中，只需为该 Worker 配置正确的节点、GPU、镜像和挂载。

Step 2 添加 worker 角色 ​

  1. 在左侧导航中选择任务，然后选择创建任务。

  2. 填写便于识别的任务名称，并按页面提示调整名称格式。

  3. 在任务类型中选择自定义任务。这个选项只决定初始角色列表，不会改变 RLinf 的算法或执行模式。

  4. 在角色列表中选择添加角色，把角色名称改为 worker。

    worker 只是这组 RLark Worker 的名称，不对应 RLinf 的 Actor、Rollout 或 Env 组件。component_placement 中出现这些组件，也不表示需要在 RLark 中创建同名角色；对于单节点任务，它们仍可在同一个 Worker 中使用不同或重叠的 GPU。

  5. 选择 worker 这一行，确认它显示为 Header。

Step 3 配置一个 Worker ​

进入 Worker 配置后，填写 worker 角色：

  1. 选择当前环境为这次任务提供的目标集群。

    集群是 RLark 中已经接入的一组计算资源。可以先浏览集群，确认当前环境有哪些集群；再查看节点资源，了解节点的在线状态、可调度状态、GPU 和标签。

  2. 在节点选择中使用当前环境确认过的条件，并检查已选节点数是否为 1。

    Header 角色只能创建 1 个 Worker

    已选节点数不是 1 时，不要继续。否则多个 Worker 会分别启动 Ray Head，并执行同一运行脚本。如果无法确定集群或节点条件，请在这一步向平台管理员说明任务需要 1 个 Worker、多少张 GPU，以及存储需求。

  3. 在 GPU 中填写该 Worker 实际需要的 GPU 数量。

    例如，仅使用 GPU 的配置使用资源编号 0-7 时，通常需要申请 8 张 GPU；仍应以已经验证的 RLinf 配置和目标节点容量为准。

  4. 填写团队提供、目标集群可以拉取的镜像地址和版本。

    优先使用带版本号的 tag，不要使用 latest；团队提供 digest 时可以直接填写。两种写法的区别见选择镜像版本和执行入口。

  5. 如果镜像启动前需要激活环境、切换目录或准备文件，把这些命令写入准备脚本。

    RLark 会替换镜像 ENTRYPOINT

    不要依赖镜像 ENTRYPOINT 完成环境激活、目录切换或文件准备；这些动作需要写入准备脚本，否则运行环境可能没有按预期就绪。

  6. 按需填写非敏感环境变量。

  7. 如需读取数据或保存结果，添加主机目录或对象存储挂载，并填写训练程序实际使用的容器路径。

    训练程序必须使用容器内挂载路径

    添加挂载不会自动改变 RLinf 的输入或输出位置。请让配置或运行命令从容器内挂载路径读取数据，并把 checkpoint 和训练结果写入该路径；写在挂载外的文件可能在 Pod 重建后丢失。不清楚主机目录、对象存储和容器路径之间的关系时，请先阅读在训练任务中使用存储。

完整字段说明见创建训练任务。

Step 4 填写运行命令 ​

进入公共配置后：

  1. 在选择 Head 节点中确认 worker 是 Header 角色。

  2. 如果页面提供跨集群网络域（可选）下拉框，单集群任务保持默认的不使用跨集群网络。

  3. 只有确实需要远程访问时才选择 SSH 公钥。

  4. 在运行脚本中填写已经验证的 RLinf 启动命令。命令依赖工作目录时，请明确执行 cd。

    运行脚本会在 Ray 启动后，由 Header 角色创建的唯一 Worker 执行。

  5. 使用 TensorBoard 时，填写训练程序写入 event 文件的容器路径。

Step 5 核对 YAML 并提交 ​

进入 YAML 预览后，确认最终配置满足以下结果：

检查项预期结果
RLark 角色数1，名称为 worker
Worker 数1
Ray 节点数1，与 cluster.num_nodes 一致
Headerworker，副本数为 1
GPU与 RLinf 配置和目标节点容量一致
镜像、命令和挂载与本次准备的值一致

同时确认节点选择只命中预期 Node。

保护敏感信息

环境变量、准备脚本、运行脚本和 YAML 中不得包含密码、私钥、访问令牌或对象存储密钥。发现敏感信息时，先从任务配置中移除，并改用当前环境允许的凭据注入方式，再继续提交。

保存本次 Job YAML 后，选择提交任务。

Step 6 确认任务开始运行 ​

提交后按下面的顺序快速确认：

  1. 任务列表中出现本次 Job。

    提交后继续检查 RLinf 运行结果

    任务出现在列表中或显示运行中后，请继续检查实际 Pod、Ray 节点、RLinf 业务信号和持久输出。

  2. Job 详情中出现一个 Worker 对应的实际 Pod，并位于预期 Node。

  3. 日志显示 Ray Head 已启动，并开始执行运行脚本。

  4. RLinf 日志出现预先确定的训练、评测或数据处理进展。

  5. checkpoint 或其他输出写入预期的持久化位置，并且可以重新读取。

需要逐项记录运行结果时，请继续阅读确认 RLinf 任务是否正常运行；任何一步没有出现预期结果时，请按首次运行问题排查从最早出现问题的位置开始检查。