修正によりvLLM V1バックエンドの同等性が回復
Hugging Faceのエンジニアらが、強化学習ワークロードにおけるvLLM v0.8.5とv1.0.18.1のバックエンド間の同等性を回復させた。4つの具体的な修正により、GRPO学習中のロールアウトlogprobs、ランタイムのデフォルト設定、重み更新処理における不一致が解決された。
Engineers achieved parity between vLLM V0.8.5 and V0.18.1 by resolving four critical backend discrepancies in an online RL setup. The fixes addressed processed rollout logprob semantics, explicit runtime defaults for prefix caching and async scheduling, and the inflight weight-update path. This established a stable baseline for V1, enabling objective-level corrections without semantic interference.