调整train_model_grpo.py 减少模型训练步骤，模型加载、训练中的推理禁用vllm

src/train_model_grpo.py

@@ -117,7 +117,7 @@ class ModelTrainer:
             max_seq_length=self.max_seq_length,
             load_in_4bit=self.load_in_4bit, # 值为True 以 4 bit量化进行微调，为False LoRA 16bit。这将内存使用量减少了 4 倍，使我们能够在免费的 16GB 内存 GPU 中实际进行微调。4 位量化本质上将权重转换为一组有限的数字以减少内存使用量。这样做的缺点是准确度会下降 1-2%。如果您想要这种微小的额外准确度，请在较大的 GPU（如 H100）上将其设置为 False。
             dtype=self.dtype,
-            fast_inference = True, # Enable vLLM fast inference
+            fast_inference = False, # Enable vLLM fast inference
             max_lora_rank = lora_rank,
             gpu_memory_utilization=0.1,# Reduce if out of memory
         )
@@ -149,7 +149,7 @@ class ModelTrainer:
     def train(self, model, tokenizer, train_dataset):
         print("is_bfloat16_supported()=",is_bfloat16_supported())
         training_args = GRPOConfig(
-            use_vllm = True, # use vLLM for fast inference!
+            use_vllm = False, # use vLLM for fast inference!
             learning_rate = 5e-6,
             adam_beta1 = 0.9,
             adam_beta2 = 0.99,
@@ -225,5 +225,5 @@ if __name__ == "__main__":
     model = trainer.train(model, tokenizer, train_dataset)
 
     # 保存模型
-    save_path = os.path.join('..', 'models', 'trained', 'DeepSeek-R1-Distill-Qwen-1.5B')
+    save_path = os.path.join('..', 'models', 'trained', 'DeepSeek-R1-Distill-Qwen-1.5B-GRPO')
     trainer.save_model(model, tokenizer, save_path)