Modelscope/SWIFT框架下VLLM 0.7.3版本内存泄漏问题分析与解决方案

在基于Modelscope/SWIFT框架进行Qwen25VL 7B模型训练时，用户报告了一个关键的系统内存泄漏问题。该问题表现为在GRPO协同训练模式下，系统内存使用量呈现持续线性增长（如图中绿色曲线所示），最终可能导致训练过程中断。

问题现象

用户在使用以下配置时观察到异常内存增长：

• 硬件环境：8卡并行（NPROC_PER_NODE=8）
• 模型：Qwen2.5_VL_7B_Instruct
• 关键参数：
  • VLLM版本：0.7.3
  • 批处理大小：2
  • 梯度累积步数：2
  • 最大生成长度：1024
  • VLLM内存利用率限制：20%

技术分析

该问题具有以下典型特征：

1. 版本相关性：问题特定出现在VLLM 0.7.3版本，其他开源项目（如EasyR1）也报告了类似现象
2. 内存增长模式：系统内存（非显存）持续增长，表明可能存在Python对象未释放或CUDA内存管理问题
3. 触发条件：在协同训练模式下，当启用VLLM推理服务（use_vllm=true）时出现

根本原因

经技术团队分析，该问题源于VLLM 0.7.3版本的内存管理机制缺陷：

1. 异步生成过程中内存回收不及时
2. 长序列处理时缓存管理异常
3. 多GPU并行下的内存同步问题

解决方案

项目维护者已通过热修复（hotfix）解决了该问题，建议用户采取以下措施：

1. 升级VLLM到包含修复补丁的版本
2. 临时解决方案（若无法立即升级）：
   • 降低num_generations参数值
   • 增加vllm_gpu_memory_utilization比例
   • 启用定期内存清理（通过设置sleep_level参数）

最佳实践建议

对于大规模模型训练任务，建议：

1. 实施内存监控：实时监控系统内存和显存使用情况
2. 分阶段测试：先进行小规模测试验证内存稳定性
3. 参数调优：根据硬件配置合理设置vllm_max_model_len等关键参数
4. 日志记录：启用log_completions以追踪潜在的内存异常点

该问题的及时修复体现了开源社区响应速度，也为大模型训练中的内存管理提供了重要参考案例。