> For clean Markdown of any page, append .md to the page URL.
> For a complete documentation index, see https://fr.nvidia-localization.ferndocs.com/fr/nemo/rl/latest/nemo-rl-models-policy-utils/llms.txt.
> For AI client integration (Claude Code, Cursor, etc.), connect to the MCP server at https://fr.nvidia-localization.ferndocs.com/_mcp/server.

# nemo\_rl.models.policy.utils

## Contenu du Module

### Fonctions

| Nom                                                                                         | Description                                                                                                           |
| ------------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------- |
| [`resolve_model_class`](#nemorlmodelspolicyutilsresolvemodelclass)                          | Résoudre la classe de modèle appropriée pour un nom de modèle donné.                                                  |
| [`is_vllm_v1_engine_enabled`](#nemorlmodelspolicyutilsisvllmv1engineenabled)                | Vérifier si le moteur vLLM V1 est activé.                                                                             |
| [`import_class_from_path`](#nemorlmodelspolicyutilsimportclassfrompath)                     | Importer une classe à partir d'un chemin de chaîne (par exemple 'torch.optim.AdamW').                                 |
| [`get_gpu_info`](#nemorlmodelspolicyutilsgetgpuinfo)                                        | Renvoyer des informations sur le GPU utilisé par ce worker.                                                           |
| [`sliding_window_overwrite`](#nemorlmodelspolicyutilsslidingwindowoverwrite)                | Renvoie des remplacements de configuration pour gérer les paramètres de fenêtre glissante selon les règles du modèle. |
| [`configure_dynamo_cache`](#nemorlmodelspolicyutilsconfiguredynamocache)                    | Désactiver le cache local d'auto-réglage de dynamo.                                                                   |
| [`get_runtime_env_for_policy_worker`](#nemorlmodelspolicyutilsgetruntimeenvforpolicyworker) | Obtenir la configuration de l'environnement d'exécution pour les workers de politique.                                |
| [`get_megatron_checkpoint_dir`](#nemorlmodelspolicyutilsgetmegatroncheckpointdir)           | Obtient le répertoire de point de contrôle Megatron par défaut pour la conversion initiale HF -> Mcore.               |
| [`get_handle_from_tensor`](#nemorlmodelspolicyutilsgethandlefromtensor)                     | Obtenir le handle IPC à partir d'un tenseur.                                                                          |

### Données

`AUTOMODEL_FACTORY`

### API

```python
nemo_rl.models.policy.utils.AUTOMODEL_FACTORY: typing.Dict[str, typing.Any]
```

**Valeur**: `None`

```python
nemo_rl.models.policy.utils.resolve_model_class(model_name: str) -> typing.Any
```

Résoudre la classe de modèle appropriée pour un nom de modèle donné.

```python
nemo_rl.models.policy.utils.is_vllm_v1_engine_enabled() -> bool
```

Vérifier si le moteur vLLM V1 est activé.

Retourne :
bool : Vrai si le moteur V1 est activé, Faux sinon (par défaut à Vrai s'il n'est pas défini)

```python
nemo_rl.models.policy.utils.import_class_from_path(name: str) -> typing.Any
```

Importer une classe à partir d'un chemin de chaîne (par exemple 'torch.optim.AdamW').

Args :
full\_path : Chemin complet vers la classe, y compris le chemin du module et le nom de la classe

Retourne :
La classe importée

```python
nemo_rl.models.policy.utils.get_gpu_info(model: torch.nn.Module) -> dict[str, typing.Any]
```

Renvoyer des informations sur le GPU utilisé par ce worker.

```python
nemo_rl.models.policy.utils.sliding_window_overwrite(model_name: str) -> dict[str, typing.Any]
```

Renvoie des remplacements de configuration pour gérer les paramètres de fenêtre glissante selon les règles du modèle.

Args :
model\_name : Le nom ou le chemin du modèle HuggingFace pour charger la configuration

Retourne :
dict : Dictionnaire avec des valeurs de remplacement, ou dict vide si aucun remplacement n'est nécessaire

```python
nemo_rl.models.policy.utils.configure_dynamo_cache() -> None
```

Désactiver le cache local d'auto-réglage de dynamo.

Dynamo peut échouer à l'auto-réglage du cache lorsqu'il existe déjà un cache avec un ordre différent de node\_bundles.
Désactiver le cache local d'auto-réglage comme solution de contournement.
Voir [https://github.com/pytorch/pytorch/issues/153791](https://github.com/pytorch/pytorch/issues/153791) pour plus de détails.

```python
nemo_rl.models.policy.utils.get_runtime_env_for_policy_worker(policy_worker_name: str) -> dict[str, typing.Any]
```

Obtenir la configuration de l'environnement d'exécution pour les workers de politique.

Remarque : la configuration de expandable\_segments est gérée directement dans les méthodes d'initialisation du worker
pour assurer une détection correcte du GPU après l'initialisation de CUDA.

```python
nemo_rl.models.policy.utils.get_megatron_checkpoint_dir() -> str
```

Obtient le répertoire de point de contrôle Megatron par défaut pour la conversion initiale HF -> Mcore.

Le point de contrôle initial de Megatron doit être enregistré dans un chemin disponible sur tous les nœuds. Le répertoire utilisé suivra cet ordre de précédence :

1. \$NRL\_MEGATRON\_CHECKPOINT\_DIR (s'il est défini)
2. \$HF\_HOME/nemo\_rl (si HF\_HOME est défini)
3. \~/.cache/huggingface/nemo\_rl

HF\_HOME est préféré car de nombreux utilisateurs auront également ce chemin monté et cela signifie un répertoire de moins
à monter dans votre environnement d'exécution.

```python
nemo_rl.models.policy.utils.get_handle_from_tensor(tensor: torch.Tensor) -> tuple[typing.Any]
```

Obtenir le handle IPC à partir d'un tenseur.