# VeRL LLM 向けの大規模強化学習プラットフォーム(Sheng+ 2024、arXiv:2409.19256)。HybridFlow として EuroSys 2025 で発表された。[[OpsLLM]]([[@2026__arXiv__OpsLLM - Construction of Large Language Model for Software Operations with Multi-stage Learning]])では、ドメインプロセス報酬モデル(DPRM)を用いた段階ゲート型 GRPO によるソフトウェア運用 RCA タスクの強化学習基盤として利用された。(Source: [[@2026__arXiv__OpsLLM - Construction of Large Language Model for Software Operations with Multi-stage Learning]])[[@2025__arXiv__Scaling Behaviors of LLM Reinforcement Learning Post-Training]] では Qwen2.5(0.5B〜72B)と Llama 3(1B〜70B)の全実験に使用され、一貫性と再現性を担保した。[[@2025__arXiv__Scaling Up RL - Unlocking Diverse Reasoning in LLMs via Prolonged Training]] では [[NVIDIA]] の長期 RL 訓練（GRPO + DAPO 拡張）の基盤として使用されている。GRPO アルゴリズムの大規模並列実行を効率的に支援する。[[@2025__arXiv__DAPO - An Open-Source LLM Reinforcement Learning System at Scale]] は verl を基盤として訓練コードを完全にオープンソース化し、DAPO アルゴリズムの公式実装先(GitHub: volcengine/verl)としている。