run.sh

python verifree.py \
    --critic_type rloo \
    --gpus 8 \
    --enable_prefix_caching \
    --collocate \
    --vllm_sleep \
    --vllm_gpu_ratio 0.45 \
    --gradient-checkpointing \
    --flash-attn \
    --bf16 \
    --rnd-seed \
    --learning_rate 0.000001 \
    --lr_scheduler constant \
    --kl_penalty_coef 0 \
    --num_ppo_epochs 1 \
    --beta 0 \
    --non_stop_fixed_reward 0 \
    --oracle_type reward \
    --oracle math \
    --pretrain Qwen/Qwen3-8B-Base \
    --prompt_template ours \
    --zero-stage 2 \
    --ref_offload \
    --prompt_data ./datasets/webdata \
    --train_split train \
    --input_key problem \
    --output_key answer \
    --max-train 9999999 \
    --num_prompt_epoch 999 \
    --prompt_max_length 1024 \
    --sync_params_every 1 \
    --num_samples 8 \
    --max_step_adjustment 8 \
    --temperature 1 \
    --top_p 1 \
    --generate_max_length 3000 \
    --save_steps 128 \
    --max_save_num 999 \
    --max_save_mem 99999999 \
    --train_batch_size 128 \
    --train_batch_size_per_device 1 \
    --rollout_batch_size 16 \
    --rollout_batch_size_per_device 2 \
    --pi_buffer_maxlen_per_device 16 \
    --eval_steps -1 \
    --reward_source p \
    --sft_coef_source reward \
    --debug