1.前言
由于比较穷，身边只有1块10年前的Tesla P40 GPU卡（2016年9月发布），想利用起来学习强化学习框架Verl。程序员学习开源代码，大部分人的第一直觉不是分析模块组成，而是跑起来试试，然后去debug一下后面的运行逻辑。
由于在官方部署指导文档中并未指明跑通Verl的最低适用显卡规格，所以就傻傻以为Tesla P40 GPU卡可以胜任该任务，遂行动起来。但是万万没想到坑太多，每次出现的问题，都觉得解决了就能跑起来，结果躺过一个坑又出现另外一个坑，终于折腾好几天搞定了。于是将这一过程写成“避坑指南”共享给大家。
2.环境配置
先吐槽一下官方安装指导步骤的逻辑顺序比较混乱。由于国内需要走代理上外网，导致每次拉镜像到一部分时就直接报出unauthorized: authentication required，折腾了好久都没成功（可能匿名拉取次数过多，触发 Docker Hub 限流，但是又无法打开Docker Hub的注册网址），因此后面直接走Install from custom environment安装配置方式，简单讲就是直接在Linux上配置。
下面是基于Linux Ubuntu 20.4 x86_64操作系统上，摸索出来的适配Tesla P40 GPU卡（24G）的环境报配置依赖。请严格按照下表中的安装顺序依次安装。
| 安装顺序 | 基础包 | 版本 | 安装说明 |
|---|---|---|---|
| 1 | CUDA | 11.8 | 建议从CUDA官网直接下载runfile格式，然后手动安装到指定位置，这样就能与之前的其他版本共存。安装命令：sudo sh cuda_11.8.0_520.61.05_linux.run --toolkit --installpath=/usr/local/cuda-11.8 |
| 2 | cuDNN | 8.9.7 for CUDA 11.x | 建议从cuDNN官网直接下载runfile格式，然后手动安装到指定位置，这样就能与之前的其他版本共存。安装命令见cuDNN安装命令 |
| 3 | Python | 3.10 | 建议创建一个独立的虚拟环境verl-env。安装命令：conda create -n verl-env python=3.10 -y && conda activate verl-env |
| 4 | pyTorch | 2.6.0+cu118 | 在verl-env虚拟环境中安装pyTorch。安装命令：conda activate verl-env && pip install torch==2.6.0+cu118 torchvision==0.21.0+cu118 torchaudio==2.6.0+cu118 --index-url https://download.pytorch.org/whl/cu118 |
| 5 | Apex | – | 在verl-env虚拟环境中安装Apex。安装命令与注意事项直接采用官方安装指导步骤中的命令：git clone https://github.com/NVIDIA/apex.git && cd apex && MAX_JOB=32 pip install -v --disable-pip-version-check --no-cache-dir --no-build-isolation --config-settings "--build-option=--cpp_ext" --config-settings "--build-option=--cuda_ext" ./ |
| 6 | verl | 于2025年9月8日 git clone 的版本 | 在verl-env虚拟环境中安装verl。安装步骤如下： (1).下载verl： git clone https://github.com/volcengine/verl.git (2).安装模型训练框架Megatron。进入verl工程目录执行： bash scripts/install_vllm_sglang_mcore.sh(3).安装verl。进入verl工程目执行： pip install --no-deps -e . |
注：cuDNN安装命令：
# 为每个版本的 cuDNN 建独立文件夹
sudo mkdir -p /usr/local/cudnn-8.9.7-cuda11
# 解压
sudo tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz \
--strip-components=1 -C /usr/local/cudnn-8.9.7-cuda11
# 拷贝到 CUDA 11.8
sudo cp -lP /usr/local/cudnn-8.9.7-cuda11/lib/* /usr/local/cuda-11.8/lib64/
sudo cp -lP /usr/local/cudnn-8.9.7-cuda11/include/* /usr/local/cuda-11.8/include/
3.Verl整改运行
Tesla P40 GPU卡（2016年9月发布）已经是10年前的老爷卡了，显存只有24G，用作传统深度学习是没有问题的，但是训练大模型也是为难它了。因此，这里运行Verl框架也只尝试了官方Quick Start中的模型Qwen2.5-0.5B-Instruct与数据GSM8K