slime 是什麼？GLM 全系列都靠這套開源 RL 框架練出來的

GLM-5.2 的完整後訓練，只花了兩天。

不是預訓練，是把一個已經很強的底座模型，透過強化學習調教成能寫程式、能用工具、能跑長任務的最終版本——這個過程通常要燒好幾週。Z.ai 自己的技術部落格證實了這件事：他們用一套叫 slime 的框架跑完整個流程，兩天。而且這套框架不是關起門來的內部工具，是完全開源、任何人都能拉下來用的東西。

更狠的是，slime 不是只練了 GLM-5.2 一次。從 GLM-4.5 到 GLM-5.1，整個 GLM 系列的強化學習後訓練都靠它。這篇拆三件事：這套框架的核心設計哲學是什麼、Megatron 跟 SGLang 這兩個聽起來很硬的名字到底在幹嘛、還有它跟其他 RL 框架比起來算不算真的不一樣。

slime 是什麼？一句話講完

slime 是清華大學 KEG 實驗室（也就是 THUDM，Zhipu AI／Z.ai 的前身團隊）開源的一套 LLM 強化學習後訓練框架，GitHub 上目前累積約 7.4k 星、超過 1000 次 fork，用 Apache-2.0 授權，任何人都能拿去用、拿去改。它的官方文件寫得很直白：這是「經過前沿模型訓練實戰驗證」的框架——不是論文裡的玩具實作，是真的拿去練出過旗艦模型的那種驗證。

THUDM 這個名字你可能沒聽過，但它做出來的東西你大概見過：ChatGLM、GLM-130B 都是這個實驗室的作品，後來團隊獨立出來變成 Zhipu AI，也就是現在的 Z.ai。slime 最早其實是跟 SGLang 背後的 LMSYS Org（做出 Chatbot Arena 的那群人）一起發布的，算是兩個團隊的合作成果。

為什麼可信：不是只有這則推文這樣說

一個框架被吹得多神，通常要打個折扣看。但這次的說法有好幾個獨立來源互相對得上：

slime 官方文件白紙黑字寫著它是「GLM-5.2、GLM-5.1、GLM-5、GLM-4.7、GLM-4.6、GLM-4.5 背後的 RL 框架」。Z.ai 自己的 GLM-5.2 發表部落格也提到，post-training 用 slime 做平行 OPD 訓練，把十幾個專家模型合併進最終版本，「整個 OPD 訓練過程大約花了兩天」——這句話跟原推文講的「兩天」對上了，是兩個獨立來源互相印證，不是同一個說法繞了一圈。另外 GLM-5 的技術報告（掛在 arXiv 上）也提到他們的非同步 RL 基礎設施是建立在 slime 之上，進一步把生成跟訓練解耦。

三個來源、三個不同的發布管道，講的是同一件事。這篇不需要「根據原文」這種提醒，你自己就能查到。

核心設計：一顆固定的學習核心，其餘都是「怎麼生資料」

slime 的哲學可以濃縮成一句話：RL 訓練分成兩半，一半負責學習，一半負責生成資料，slime 把學習那一半焊死，把所有花樣都塞進生成資料那一半。

拆開講。每一輪強化學習訓練其實有兩個階段：一個是「產生經驗」——模型自己寫出答案，然後有東西幫它打分；另一個是「從經驗裡學習」——把打分結果拿去算 loss、更新權重。學習這一半其實很機械：讀樣本、算損失、跑一次優化器，不管模型是在解數學題還是在操作瀏覽器，這個動作長得一模一樣。

真正會變的是「怎麼生成資料」這一半。一道數學題可能一輪就打完分；一個 agent 任務可能要反覆呼叫工具、讀回傳結果，跑好幾輪才拿得到最終獎勵。slime 就是把界線畫在這裡：學習核心永遠不變，會變的東西一律變成「新的資料生成方式」，而不是去改動核心迴圈本身。

這句話值得記住：學習核心夠小才值得信任，資料生成才是該長花樣的地方。

技術實作上，slime 把 Megatron 用來訓練、SGLang 用來生成（術語叫 rollout），中間架一個叫 Data Buffer 的資料緩衝層，負責存放 prompt、自訂資料、以及生成結果。多輪工具呼叫、沙盒互動、環境回饋、驗證器打分，這些全部都是透過同一個資料生成介面進來，而不是分岔出另一條訓練迴圈。下面這張圖畫出這個結構：

Megatron 跟 SGLang 到底在幹嘛

這兩個名字聽起來像黑話，其實各自負責一件很具體的事。

Megatron-LM 是 NVIDIA 做的訓練框架，負責把一個大到單張顯卡塞不下的模型，拆成好幾份分散到成百上千張 GPU 上，然後算梯度、更新權重。你可以把它想成「模型的自習室」——這裡在做的事是讀題目、對答案、修正自己的理解，很機械，但要處理的量非常大。

SGLang 是 LMSYS Org 做的推論引擎，專門負責讓模型快速、大量地生成文字。你可以把它想成「模擬考考場」——模型在這裡快速做完一整批練習題，等著被拿去打分。

一般的 RL 訓練要嘛把這兩件事焊在同一批 GPU 上輪流做（像 veRL 的做法），要嘛用複雜的排程器東拼西湊。slime 選擇的做法是：兩邊各自用業界最強的工具，中間補一個乾淨的資料緩衝層當「郵箱」，讓自習室跟考場能各自升級，又不會互相卡住彼此的腳步。

這個設計到底新不新：跟 veRL、OpenRLHF、TRL 比

老實講，把「訓練」跟「生成」分開處理，不是 slime 發明的概念——veRL（ByteDance 出品）、OpenRLHF、TRL 這幾套主流 RL 框架也都有類似的角色劃分。真正讓 slime 不一樣的，不是「分開」這個決定，是它刻意拒絕相容多種後端。

veRL 用一種叫 HybridEngine 的設計，讓訓練跟推論共用同一批 GPU、原地切換，適合大規模量產但兩邊耦合較緊。OpenRLHF 用 Ray 把每個角色（actor、critic、reward model）拆成獨立的進程池，彈性很高、支援異質叢集，但官方自己也承認對 agentic、多環境的支援還沒有專門介面。TRL 是 HuggingFace 生態最好上手的選擇，但撐到 30B 左右規模就開始吃力。

slime 的官方文件講得很直接：它只認 Megatron 訓練、SGLang 推論這一組，不試著把多個推論引擎抽象成一套「最大公約數」介面。這是反直覺的設計——大部分框架想的是「支援愈多後端愈好」，slime 想的是「我就用這兩個業界最強的，直接透傳參數，上游一有新優化我馬上吃得到」。代價是你沒得選，要嘛用這一組，要嘛自己想辦法。這個取捨到底值不值，得看你是不是真的在乎「上游更新要等多久才用得到」。

已經有一票專案掛在它上面

slime 拒絕在核心迴圈裡加抽象層，但沒有拒絕別人在它外面蓋房子。已經確認存在、而且沒有動到核心迴圈的衍生專案至少有幾個：Miles（一個面向企業場景的 RL 框架，官方說明寫著「從 slime fork 出來、跟它共同演進」，GitHub 上也有將近 1700 星）、Relax（一套全模態 agentic RL 框架，一樣建立在 Megatron + SGLang 這套 slime 的基礎設施之上）、還有 P1（一系列完全靠強化學習練出來的物理推理模型，官方描述直接寫「以 slime 作為 RL 後訓練框架」）。

這幾個專案的共通點：它們都需要不同的訓練策略、不同的獎勵機制，但沒有一個去改動 slime 的學習核心。這正好印證了前面那句話——核心夠小、夠可信，變化才有地方去。

你用得到嗎：本地小規模 RL 實驗

先說實話：普通開發者不可能複製 GLM-5.2 那種 750 億參數以上、動用兩百多張 H100 的訓練規模。但 slime 的文件裡也放了小得多的範例——例如 Qwen3-4B 配 8 張 H100 就能跑，這是拿來理解 RL 訓練資料流、練手感的合理入口，不是拿來複刻旗艦模型。

如果你想在本地做這類小規模 RL 或微調實驗，第一個卡關的地方通常是顯存不夠、模型跑一半就 OOM。48GB VRAM 等級的工作站顯卡，例如麗臺 RTX PRO 5000 Blackwell，規格上能直接吃下 Llama 3 70B 的全精度版本，本地做多 GPU 訓練或微調實驗不用一直看顯存夠不夠的臉色。想更進一步理解微調跟 RL 這條路怎麼選，可以參考本地 RL 訓練與 agentic 視覺的實作筆記，或者從開源模型微調入門指南開始墊底；如果連強化學習的基礎概念都還沒補過，免費 RL 學習資源清單是個不花錢的起點。

常見問題

slime 只能拿來訓練 GLM 嗎？ 不是。官方驗證案例除了 GLM 全系列，還包含 Qwen3、DeepSeek V3、Llama 3，是一套通用的 RL 後訓練框架。

普通開發者用得到 RL 訓練框架嗎？ 用得到，但別想著複製 GLM 那種規模。文件裡有 Qwen3-4B 配 8 張 H100 的範例，適合拿來練手、理解資料流。

slime 跟 veRL、OpenRLHF、TRL 比，優勢是什麼？ 不是功能更多，是刻意做得更少——只認 Megatron + SGLang 這一組，直接吃上游優化，代價是沒得選後端。

Megatron 跟 SGLang 是同一家公司做的嗎？ 不是，Megatron-LM 是 NVIDIA 的訓練框架，SGLang 是 LMSYS Org 的推論引擎，slime 把兩者接在一起。

這套框架商用有限制嗎？ slime 本身 Apache-2.0 授權可商用；但用它訓練出來的模型授權是另一回事，例如 GLM-5.2 開放權重是用 MIT 授權，兩者要分開看。

利益揭露：本文部分連結為聯盟連結，點擊購買我會獲得回饋，不影響你的價格。硬體推薦僅就公開規格與適用情境描述，未代表本人長期實測。

RL 訓練這個領域最近很吵，一堆框架都在比誰的功能列表更長。slime 走了反方向：把能刪的都刪掉，只留一顆小到你能親自讀懂的核心。這種「做得更少」的自信，本身就是一種技術主張。