在具身智能領(lǐng)域，特別是如何構(gòu)造一個(gè)高泛化性的 VLA，數(shù)據(jù)之爭一直存在：仿真數(shù)據(jù) vs 真機(jī)數(shù)據(jù)。數(shù)據(jù)來源不同，導(dǎo)致算法設(shè)計(jì)迥然不同，進(jìn)一步對(duì)系統(tǒng)設(shè)計(jì)提出了更多的要求。做 infra 的目標(biāo)是做好服務(wù)，支持不同技術(shù)路線的探索。

「仿訓(xùn)推一體化」RLinf v0.1 面向的是采用仿真路線的用戶，那么今天要給大家介紹的是 RLinf v0.2，面向采用真機(jī)路線的用戶，也就是支持了真機(jī)強(qiáng)化學(xué)習(xí)。

• 論文標(biāo)題：RLinf: Flexible and Efficient Large-scale Reinforcement Learning via Macro-to-Micro Flow Transformation
• 論文地址：https://arxiv.org/abs/2509.15965
• 開源地址：https://github.com/RLinf/RLinf

下面針對(duì) RLinf v0.2 的特色展開介紹。

特色 1：RLinf 允許用戶

像使用 GPU 一樣使用機(jī)器人

在 RLinf 中，我們將機(jī)器人看作與 GPU 相同層級(jí)的、可靈活配置的資源，如圖 1 所示，GPU Node 和 Robot Node 處于同一層級(jí)。過去我們通常把 Worker（訓(xùn)練、推理等工作組件）加載在 GPU 上，現(xiàn)在我們可以把 Worker 加載在機(jī)器人上。只要能夠 access 到機(jī)器人的 IP 和端口，無論它們身在何處，都可以接入 RLinf 系統(tǒng)。

RLinf 會(huì)按照用戶配置進(jìn)一步完成模型與機(jī)器人的對(duì)應(yīng)映射，之后 RLinf 會(huì)通過 Data Channel（RLinf 的通信原語）完成數(shù)據(jù)收集和模型參數(shù)更新。而實(shí)現(xiàn)這一切，用戶只需要編寫 YAML 文件即可完成，極大地降低了使用成本。例如，下圖 2 展示了以 Franka 為例的 2 臺(tái)機(jī)器人配置方法。

圖 1 將機(jī)器人看作與 GPU 相同層級(jí)的、可靈活配置的資源 圖 2 用戶只需要編寫 YAML 文件即可完成真機(jī)對(duì)接

圖2 用戶只需要編寫YAML文件即可完成真機(jī)對(duì)接

RLinf 這一獨(dú)特設(shè)計(jì)是為了解鎖更宏大的目標(biāo)，即大規(guī)模分布式真機(jī)強(qiáng)化學(xué)習(xí)訓(xùn)練范式，如圖 3 所示。

這一范式將有望成為具身智能在除了 Scaling 數(shù)據(jù)、模型之外的第三條路徑：Scaling 真機(jī)。大規(guī)模真機(jī)強(qiáng)化學(xué)習(xí)能夠解決當(dāng)下真機(jī)強(qiáng)化學(xué)習(xí)面臨的諸多問題，當(dāng)然，天下沒有免費(fèi)的午餐，放松了對(duì)算法的要求，對(duì)應(yīng)地增加了對(duì) infra 的要求，如何做到穩(wěn)定、易用、靈活是 infra 要解決的主要挑戰(zhàn)。

RLinf 針對(duì)這一問題給出了自己的答案：極度靈活的系統(tǒng)設(shè)計(jì)思想支持多樣需求。特別地，RLinf 提出適配強(qiáng)化學(xué)習(xí)的新一代編程范式 Macro-to-Micro Flow (M2Flow)，將上層工作流與底層計(jì)算優(yōu)化解耦，兼顧了靈活性與高效性。

圖 3 大規(guī)模分布式真機(jī)強(qiáng)化學(xué)習(xí)系統(tǒng)

特色 2：RLinf 支持

全異構(gòu)軟硬件集群配置

由于與物理世界高度耦合，真機(jī)強(qiáng)化學(xué)習(xí)面臨的集群配置通常是異構(gòu)的、端云協(xié)同的。例如，機(jī)器人的控制端需要實(shí)時(shí)操作系統(tǒng)且不需要運(yùn)行神經(jīng)網(wǎng)絡(luò)模型，通常會(huì)運(yùn)行在單獨(dú)的 CPU 機(jī)器，如 NUC；VLA 模型推理端需要與機(jī)器人的控制端足夠近，使得通信代價(jià)最小，且推理需要顯存較小，因此 VLA 模型推理通常直接運(yùn)行在端側(cè)小顯存機(jī)器，如 24GB 的 4090；VLA 模型訓(xùn)練為了加快訓(xùn)練速度，通常需要云端大顯存機(jī)器集群，如 80GB 的 A100/800 等。

在端云協(xié)同的背景下，RLinf 支持靈活的全異構(gòu)的軟硬件集群配置，提升系統(tǒng)吞吐和訓(xùn)練效率。例如，你可以：

• 在支持光線追蹤的 GPU（如 RTX 4090）上運(yùn)行高保真模擬器；
• 在大顯存計(jì)算 GPU（如 A800）上進(jìn)行訓(xùn)練；
• 在小顯存計(jì)算 GPU（如 RTX 4090）進(jìn)行推理；
• 在無顯存的 CPU 機(jī)器（如 NUC）運(yùn)行機(jī)器人控制器。

在 RLinf 中接入這樣的異構(gòu)環(huán)境，只需要在 YAML 配置文件中正確配置 cluster 段落即可，如下圖 4 所示。

圖 4 RLinf 支持全異構(gòu)軟硬件集群配置

特色 3：RLinf 支持

全異步 off-policy 算法

真機(jī)強(qiáng)化學(xué)習(xí)的一個(gè)典型局限就是物理世界無法被加速，數(shù)據(jù)效率成為顯著瓶頸，所以如何提高數(shù)據(jù)利用率成為關(guān)鍵一環(huán)。除此之外，當(dāng)下真機(jī)強(qiáng)化學(xué)習(xí)的一種行之有效的方法是人在環(huán)介入，例如在執(zhí)行過程中提供專家示教數(shù)據(jù)，或者實(shí)時(shí)標(biāo)注數(shù)據(jù)等，傳統(tǒng)同步訓(xùn)推框架將會(huì)極大限制這一類方法的訓(xùn)練效率。

因此，RLinf v0.2 新增全異步設(shè)計(jì)，端側(cè)推理節(jié)點(diǎn)與云側(cè)訓(xùn)練節(jié)點(diǎn)解耦，通過 Data Channel 進(jìn)行數(shù)據(jù)周期性同步，進(jìn)而實(shí)現(xiàn)訓(xùn)推并行，極大提高訓(xùn)練效率。同時(shí)，RLinf v0.2 上線典型 off-policy RL 算法，包括僅利用在線數(shù)據(jù)的 SAC [1]、CrossQ [2] 和同時(shí)利用離線數(shù)據(jù)集和在線數(shù)據(jù)的 RLPD [3] 等，進(jìn)一步提升數(shù)據(jù)利用率。RLinf 中異步工作流示意圖如圖 5 所示。

圖 5 全異步算法流圖

實(shí)驗(yàn)結(jié)果

本次發(fā)布的嘗鮮版是基于小模型的真機(jī)強(qiáng)化學(xué)習(xí)。為了方便大家快速、低成本復(fù)現(xiàn)實(shí)驗(yàn)，我們采用常見的Franka 機(jī)械臂，基于常見物品或者易獲取標(biāo)準(zhǔn)件設(shè)計(jì)了兩個(gè)快速驗(yàn)證任務(wù)：ChargerPeg Insertion。其中，Charger 任務(wù)為稠密獎(jiǎng)勵(lì)，使用異步 SAC [1] 算法訓(xùn)練，訓(xùn)練過程中有 20 次左右的人在環(huán)空間鼠標(biāo)接管，以提高訓(xùn)練效率。Peg Insertion 任務(wù)為稀疏獎(jiǎng)勵(lì)，使用異步 RLPD 算法 [3] 訓(xùn)練。在開始訓(xùn)練前，采集了 20 條人類操作數(shù)據(jù)存儲(chǔ)在 Demo Buffer 中。

兩個(gè)任務(wù)的成功率曲線如圖 6 所示?？梢园l(fā)現(xiàn)，兩個(gè)任務(wù)均可以在 1.5h 以內(nèi)收斂。收斂后，Peg Insertion 任務(wù)可以連續(xù) 100+ 次成功，Charger 任務(wù)可以連續(xù) 50+ 次成功

圖 6 Peg Insertion & Charger 成功率曲線

訓(xùn)練過程的視頻記錄如視頻 1 所示，完整記錄了兩個(gè)任務(wù)的訓(xùn)練過程。同時(shí)我們也驗(yàn)證了位于不同空間的兩臺(tái) Franka 機(jī)械臂同時(shí)進(jìn)行真機(jī)強(qiáng)化學(xué)習(xí)，見視頻 2。

視頻 1：訓(xùn)練過程。上：Peg Insertion；下：Charger

視頻 2：位于不同房間的兩臺(tái) Franka 機(jī)械臂同時(shí)進(jìn)行真機(jī)強(qiáng)化學(xué)習(xí)

RLinf 全體成員向支持 RLinf 的 2k 位社區(qū)用戶表達(dá)感謝。用戶的使用和反饋促使團(tuán)隊(duì)不斷完善代碼，也不斷增加了團(tuán)隊(duì)堅(jiān)定走下去的信心。自 2025.9.1 發(fā)布以來，RLinf 幾乎保持著每 2 周更新一次新 feature 的開發(fā)速度，在經(jīng)過幾輪重構(gòu)后，面向具身仿真路線需求的「仿訓(xùn)推一體化」強(qiáng)化學(xué)習(xí)框架 RLinf v0.1 版本于 2025.12.17 正式 release，歡迎大家查看中英雙語文檔（對(duì)！除了代碼沒有中文版，其他材料都有中文版！不要錯(cuò)過?。Ｄ壳?RLinf 支持矩陣可以總結(jié)如下：

• Simulator：Maniskill、IsaacLab、LIBERO、CALVIN、MetaWorld、Behavior、RoboCasa
• VLA：Pi0，Pi05，GR00T，OpenVLA，OpenVLA-OFT
• Custom policy：MLP、CNN
• RL Algos：GRPO、PPO、DAPO、Reinforce++
• SFT：Full-para SFT、LoRA

仿真路線還在持續(xù)開發(fā)，更多的 feature，如仿真器、模型也會(huì)盡快跟大家見面！

參考文獻(xiàn)：

[1] Haarnoja, Tuomas, et al. "Soft actor-critic: Off-policy maximum entropy deep reinforcement learning with a stochastic actor." International Conference on Machine Learning. PMLR, 2018.

[2] Bhatt, Aditya, et al. "CrossQ: Batch Normalization in Deep Reinforcement Learning for Greater Sample Efficiency and Simplicity." The Twelfth International Conference on Learning Representations, 2024.

[3] Ball, Philip J., et al. "Efficient online reinforcement learning with offline data." International Conference on Machine Learning. PMLR, 2023.