master中添加RL训推功能

🚀 功能描述

希望在 HyperParallel master 中新增 Hyper-RL 同步强化学习训推功能，复用现有模型加载和分布式并行能力，结合 vLLM 推理引擎，打通采样、奖励计算、训练更新及权重同步流程。

本次主要支持：

1. 模型：支持 Qwen3-4B dense 模型的训练与推理接入。
2. 算法：支持 GRPO 和 PPO，提供 Actor、Reference、Critic 与 Rollout 角色及对应训练流程。
3. 推理侧：
   • Native-vLLM：使用 vLLM 原生 Qwen3 模型实现进行采样。
   • Hyper-vLLM：将 Hyper 模型实现注册到 vLLM，复用 vLLM 的调度与推理服务能力。
4. 训推权重同步：
   • full_gather：训练侧聚合完整参数，由推理侧加载并按目标布局切分。
   • direct_reshard：根据训练侧与推理侧的参数切分布局进行直接映射和传输。
5. 支持训练更新后的策略发布，使后续采样使用更新后的模型权重。

现有替代方案

可以分别使用 HyperParallel 训练能力和 vLLM 推理能力，通过独立脚本组织强化学习流程。

但该方式需要自行维护模型接入、采样与训练编排、参数布局转换及权重同步逻辑，存在重复实现和维护成本。

希望将上述能力统一接入 master，提供可配置、可测试的训练与推理流程。

与DFX相关性DF

涉及训练与推理流程的可观测性和可靠性：

• 记录奖励、训练损失、梯度及采样和权重同步耗时。
• 检查权重发布状态，确保更新后的策略正确用于后续采样。
• 提供 checkpoint 保存与恢复能力。
• 对支持的 Hyper-vLLM 组合提供训推一致性检查。
• 补充异常退出与分布式资源清理的回归测试。

提议的新API

在 hyper_parallel/rl 中新增 RL 配置与训练入口，主要提供以下配置能力：

• 算法选择：GRPO / PPO。
• 模型配置：Qwen3-4B 模型路径及训练侧并行策略。
• 推理后端选择：Native-vLLM / Hyper-vLLM。
• 权重同步策略选择：full_gather / direct_reshard。
• 训练、采样、评估及 checkpoint 保存与恢复配置。

在 hyper_parallel/models/qwen3 中提供 Qwen3 模型接入及运行时适配，复用共享模型构建、FSDP 和 TP 能力。

具体配置字段及接口定义以实现和接口评审结果为准。

是否影响现有API

本次以新增 RL 功能和 Qwen3 模型适配为主，不计划删除或替换现有公共 API。

功能代码主要位于：

• hyper_parallel/rl/
• hyper_parallel/models/qwen3/

复用现有共享框架能力，不修改共享 core、platform 和 trainer 框架代码；相关兼容性通过回归测试验证。

补充信息

首阶段验证范围为单节点 Ascend NPU、Qwen3-4B 模型和 GSM8K 数据集，不将其他模型、异步训练或未测试的并行组合作为本次验收范围。

预期验收标准：

1. GRPO/PPO 能完成采样、奖励计算、训练更新及策略发布。
2. Native-vLLM 和 Hyper-vLLM 均能在对应支持配置下完成采样及权重更新。
3. full_gather 和 direct_reshard 均能完成训推权重同步，后续采样使用更新后的策略。
4. checkpoint 保存后能够恢复并继续训练。
5. 提供对应 UT/ST、运行配置、使用文档及可追溯的测试结果。

schema_version: 1
source: gitcode
gitcode_repo: mindspore/hyper-parallel
gitcode_issue: 391
source_url: https://gitcode.com/mindspore/hyper-parallel/issues/391

Begin by reviewing the existing shared model, FSDP, and TP capabilities, then inspect the proposed entry areas in hyper_parallel/rl/ and hyper_parallel/models/qwen3/. The first-stage completion target is the documented single-node Ascend NPU Qwen3-4B GSM8K flow, with GRPO/PPO, both vLLM modes, both weight-sync strategies, checkpoint recovery, and corresponding UT/ST, configuration, and usage documentation.