03-SingleController一个大脑如何调配一群GPU工人

Single Controller：一行 Python 调用如何变成多 GPU RPC

上一篇我们把 RLHF 看成一条高层 Dataflow：rollout 生成样本，reward/ref/value/advantage 补齐训练信号，actor/critic 再更新权重。这篇回答下一层问题：如果 PPO 主循环看起来像普通 Python 代码，verl 到底怎样把其中一行 actor_rollout_wg.compute_log_prob(batch_td)变成多 GPU worker 上的远程调用？

本文的核心判断是：verl 的 single controller 不是把训练“单机化”，而是把阶段顺序留在一个 controller 进程里，把实际计算交给 WorkerGroup 袋里的远端 worker。它的关键接口不是 Ray 本身，而是 worker 方法上的 @register：这里声明输入如何分发、远端方法如何执行、输出如何收回。

读这篇时可以先抓住一条主线：

代码语言：javascript

复制

TaskRunner 装配角色和资源-> RayPPOTrainer.init_workers() 创建 WorkerGroup-> worker 方法用 @register 声明分布式调用契约-> WorkerGroup 动态绑定同名袋里方法-> PPO 主循环像本地调用一样驱动远端 worker

这张图先给出本文的源码阅读地图。重点不是记住所有类名，而是看清：PPO 主循环、WorkerGroup 袋里、@register契约、Ray actor 执行分别站在哪一层。

Single Controller 源码阅读地图

这条路径解释了后面的所有现象：fit()里看到的是一行普通方法调用；WorkerGroup 里看到的是 dispatch、remote execute、collect；worker 类里看到的是某个具体引擎的推理或训练逻辑。不要从 Ray API 入口开始读，要从 fit()里那一行调用往下追。

1. 它为什么不是普通 DDP

普通 DDP 的心智模型是：多张卡执行同一段训练循环，只是在梯度同步时通信。RLHF 不完全适合这种模型，因为一次 PPO step 不是单纯的 forward/backward/step，而是阶段化的系统流程：生成、奖励、重算 logprob、reference/value、优势估计、actor/critic update、权重同步，且不同阶段可能使用不同角色和不同资源。

verl 文档直接说明，RayPPOTrainer.fit()是单进程运行的 PPO 主循环，WorkerGroup 作为 controller 进程访问远端 workers 的袋里；worker 方法需要绑定到 WorkerGroup，并定义数据分发和收集方式（docs/hybrid_flow.rst:107-117）。源码里也能看到这一点：fit()在一个 Python 循环中串起 rollout、reward、old logprob、ref logprob、values、advantage、critic update、actor update 和 weights update（verl/trainer/ppo/ray_trainer.py:1274-1583）。

下面这张图要看的不是“哪边更高级”，而是控制流放在哪里：DDP 复制训练循环；single controller 只复制计算 worker，不复制 PPO 阶段编排。

DDP 和 Single Controller 的控制流差异

所以 single controller 的价值不是“少写分布式代码”这么简单。更准确地说，它把 RLHF 的系统状态放在一个地方：哪些数据已经生成、哪些信号已经补齐、什么时候更新 actor、什么时候把权重同步给 rollout，都由 controller 串起来。GPU worker 只负责执行被分派过去的计算。

2. 先摆角色和资源，再进入 PPO 主循环

真正进入 fit()之前，verl 先完成两件事：角色映射和资源映射。

TaskRunner在 main_ppo.py中建立 role_worker_mapping和 mapping。例如 actor/rollout/ref 角色会映射到 Ray remote worker class，并放到 "global_pool"；critic 会映射到 TrainingWorker；resource pool spec 则按节点数和每节点 GPU 数构造（verl/trainer/main_ppo.py:118-186）。随后 TaskRunner.run()创建 tokenizer、dataset、ResourcePoolManager，再把这些交给 RayPPOTrainer，最后调用 trainer.init_workers()和 trainer.fit()（verl/trainer/main_ppo.py:219-311）。

RayPPOTrainer.init_workers()继续把抽象角色落到可调用的 WorkerGroup：先创建 resource pool，再把 actor/critic/ref 等角色包装成带初始化参数的 Ray class，必要时用 create_colocated_worker_cls()合并到同一个 Ray actor 类，最后 spawn()出按角色命名的 WorkerGroup（verl/trainer/ppo/ray_trainer.py:688-807）。

这张生命周期图要看的重点是：PPO 主循环并不知道每个角色如何 colocate、占几张卡、落在哪个 pool；这些都在进入主循环前被 WorkerGroup 封装掉了。

从 role 到 WorkerGroup 的生命周期

这就是 HybridFlow 文档所说的灵活放置：改变 WorkerGroup 和 ResourcePool 的 mapping，可以调整资源部署，而不必改 controller 里的控制流程（docs/hybrid_flow.rst:206）。后面文章会继续拆 ResourcePool/WorkerGroup；本文只需要记住，它们是 single controller 可以“像本地对象一样调用远端角色”的前置装配层。

3. @register才是一行调用的契约

WorkerGroup 为什么会突然拥有 compute_log_prob()、update_actor()这类方法？答案不在 RayPPOTrainer，而在 worker 方法的 @register。

以 ActorRolloutRefWorker为例，compute_log_prob()和 update_actor()都用 @register(dispatch_mode=make_nd_compute_dataproto_dispatch_fn(mesh_name="actor"))标记；reference logprob 则使用 mesh_name="ref"（verl/workers/engine_workers.py:631-650）。TrainingWorker里的 train_mini_batch()、train_batch()、infer_batch()也用同一类分发函数声明 train mesh 上的计算（verl/workers/engine_workers.py:238-385）。

register()本身不直接发起远程调用。它做的是把 dispatch_mode、execute_mode、blocking挂到函数的 MAGIC_ATTR上（verl/single_controller/base/decorator.py:398-444）。真正消费这些元信息的是 WorkerGroup._bind_worker_method()：它扫描 worker class 上带 MAGIC_ATTR的方法，解析 dispatch/collect 函数和 execute 函数，再用 func_generator()生成 controller 侧的同名袋里方法，最后 setattr(self, method_name, func)绑定到 WorkerGroup 实例上（verl/single_controller/base/worker_group.py:185-255）。

下面这张图补上“声明”和“绑定”之间的缺口。看图时可以把 @register理解成 worker 方法贴给 controller 的调用说明书。

register 和 WorkerGroup 动态绑定契约

这解释了一个容易误解的点：actor_rollout_wg.compute_log_prob()不是手写在 RayPPOTrainer里的普通方法，也不是 Ray 自动生成的单 actor RPC。它是 WorkerGroup 根据 worker class 上的 @register元信息动态生成出来的多 worker 袋里方法。

4. 以 compute_log_prob追一次完整调用

现在回到 PPO 主循环中的一行调用。

RayPPOTrainer._compute_old_log_prob()先把 DataProto转成 TensorDict，做 no-padding 转换，塞入 calculate_entropy、compute_loss=False等非 tensor 元信息，然后调用 self.actor_rollout_wg.compute_log_prob(batch_td)。结果回来后，它再取出 entropy/log_probs，转回 padding 形态，重新封装成 DataProto（verl/trainer/ppo/ray_trainer.py:1168-1203）。

这里 helper 做的是数据语义适配；远程执行语义由 WorkerGroup 接管。func_generator()生成的袋里方法会按固定顺序工作：先 dispatch_fn切输入，再 execute_fn发远程调用；如果是 blocking 模式就 ray.get()；之后 collect_fn合并输出，并处理 auto padding 产生的额外样本（verl/single_controller/ray/base.py:48-66）。在 Ray backend 下，execute_all_async()会把参数列表逐个切给对应 worker，再调用 Ray actor 的 remote method（verl/single_controller/ray/base.py:864-892）。

这张调用路径图把 helper、WorkerGroup、Ray actor 分开看。它回答的是“一行 Python 为什么没有停在本地”。

一行 WorkerGroup 调用的真实路径

这条链路也解释了为什么 verl 的 PPO 主循环可读：主循环只写阶段顺序，helper 只处理当前阶段需要的 TensorDict/DataProto 形态，分布式细节被压到 WorkerGroup 的 dispatch/execute/collect 中。

5. dispatch/collect 带来灵活性，也留下中心化边界

single controller 的灵活性来自 dispatch/collect，而不是来自某个神奇的 Ray 调用。

最简单的 ONE_TO_ALL会把同一份参数复制给所有 worker；DP_COMPUTE_PROTO会把 DataProto 按 worker 数切开并在 collect 时拼回；当前训练 worker 常用的 make_nd_compute_dataproto_dispatch_fn(mesh_name=...)会先查询 worker group 的 DP rank mapping，再按 mesh 的 DP 维度做分发和收集（verl/single_controller/base/decorator.py:120-199，verl/single_controller/base/decorator.py:202-345）。RayPPOTrainer._balance_batch()还会从 WorkerGroup 查询 dispatch info，拿到实际 DP size 后按有效 token 数重排 batch，以降低不同 DP rank 的负载差异（verl/trainer/ppo/ray_trainer.py:1040-1078）。

下面这张图要看的不是“哪里慢”，而是边界：controller 必须知道如何切、如何收、哪里需要 padding/unpadding，才能让 PPO 主循环继续拿到完整的 DataProto。

dispatch collect 的灵活性和边界

这也是 single controller 的代价：控制流集中以后，调试和阶段编排更清楚，但数据分发、Ray object/future、collect 聚合、padding 处理也都会经过这个抽象边界。换句话说，它把系统复杂度从“每个 worker 都懂 PPO 全流程”，转移成“controller 懂阶段顺序，WorkerGroup 懂分布式调用契约”。

小结：controller 是系统大脑，不是计算瓶颈的全部答案

到这里，第二篇和第三篇可以连起来看：

代码语言：javascript

复制

02 Dataflow：RLHF 的 batch 在哪些阶段之间流动03 Controller：这些阶段为什么能写成单进程 Python 顺序

verl 的 single controller 把 PPO 训练写成一条可读的主流程，但它没有消灭分布式复杂度。复杂度被重新分层了：TaskRunner负责角色和资源，RayPPOTrainer负责阶段顺序，@register负责声明分发/收集契约，WorkerGroup 负责把本地方法调用变成多 worker RPC。

这篇解决的是“一个大脑如何调度一群 GPU 工人”。下一篇应该继续往下看：这些工人怎样被放进 ResourcePool，WorkerGroup 怎样管理进程、rank、colocation，以及为什么资源布局会影响 rollout、训练和权重同步的效率。

本文源码索引

docs/hybrid_flow.rst:107-120：single-process fit()、WorkerGroup 袋里、ActorRolloutRef colocate 说明。docs/hybrid_flow.rst:170-177：worker 方法用 register声明输入分发和输出收集。docs/hybrid_flow.rst:206：改变 WorkerGroup/ResourcePool mapping 可调整放置方式。verl/trainer/main_ppo.py:118-186：TaskRunner建立 role 到 worker class、resource pool 的映射。verl/trainer/main_ppo.py:219-311：创建 trainer，调用 init_workers()和 fit()。verl/trainer/ppo/ray_trainer.py:688-807：创建 resource pool、role class、colocated worker class 和 WorkerGroup。verl/trainer/ppo/ray_trainer.py:1168-1203：_compute_old_log_prob()中的一行 actor_rollout_wg.compute_log_prob()。verl/trainer/ppo/ray_trainer.py:1274-1583：PPO 主循环的阶段顺序。verl/single_controller/base/decorator.py:398-444：@register如何挂载分布式调用元信息。verl/single_controller/base/worker_group.py:185-255：WorkerGroup 如何扫描并绑定 worker 方法。verl/single_controller/ray/base.py:48-66：袋里方法的 dispatch、execute、collect 顺序。verl/single_controller/ray/base.py:864-892：RayWorkerGroup 如何调用所有远端 worker。verl/workers/engine_workers.py:631-650：actor/ref worker 的 logprob 和 update 方法注册。本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2026-06-18，如有侵权请联系[email protected] 删除