sapo.sh

# SAPO https://arxiv.org/abs/2511.20347
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 \
NPROC_PER_NODE=8 \
MAX_PIXELS=602112 \
megatron rlhf \
  --rlhf_type grpo \
  --loss_type sapo \
  --tau_pos 1 \
  --tau_neg 1.05 \
  --model Qwen/Qwen2.5-VL-3B-Instruct \
  --context_parallel_size 1 \
  --tensor_model_parallel_size 1 \
  --pipeline_model_parallel_size 1 \
  --dataset AI-ModelScope/clevr_cogen_a_train \
  --load_safetensors true \
  --save_safetensors true \
  --external_plugins examples/train/grpo/plugin/plugin.py \
  --reward_funcs external_r1v_acc format \
  --dynamic_sample false \
  --steps_per_generation 4 \
  --micro_batch_size 2 \
  --global_batch_size 128 \
  --num_generations 8 \
  --use_vllm true \
  --vllm_mode colocate \
  --vllm_gpu_memory_utilization 0.7 \
  --vllm_max_model_len 8192 \
  --max_length 4096 \
  --max_completion_length 4096 \
  --train_type full \
  --bf16 true \
  --importance_sampling_level token \
  --epsilon 0.2 \
  --epsilon_high 0.2 \
  --overlong_filter true \
  --max_epochs 1 \
  --eval_interval 1000 \
  --save_interval 1000 \
  --sleep_level 2 \
  --offload_model true \
  --offload_optimizer true \
  --log_interval 1 \
  --recompute_granularity selective \
  --finetune \
  --lr 1e-6 \
  --num_workers 8 \
  --dataset_num_proc 8 \
  --no_save_optim \
  --no_save_rng \
  --attention_backend flash \
  --temperature 1.0 \
  --system examples/train/grpo/prompt.txt \
  --beta 0.001 \
  --padding_free true \
  --report_to wandb