如果你最近在關(guān)注大模型訓(xùn)練特別是后訓(xùn)練Post-Training這個環(huán)節(jié)可能會發(fā)現(xiàn)一個現(xiàn)象大家都在討論預(yù)訓(xùn)練、SFT監(jiān)督微調(diào)和RLHF人類反饋強(qiáng)化學(xué)習(xí)但關(guān)于如何系統(tǒng)地進(jìn)行后訓(xùn)練尤其是如何設(shè)計高質(zhì)量的教學(xué)數(shù)據(jù)公開的、成體系的經(jīng)驗卻少得可憐。這恰恰是Meta FAIR的研究科學(xué)家Nathan Lambert最近在做的一件事的核心。他正在公開征集關(guān)于“后訓(xùn)練教學(xué)”Instruction Tuning的反饋試圖將社區(qū)分散的經(jīng)驗和“民間智慧”系統(tǒng)化。這不僅僅是一次簡單的問卷調(diào)查其背后反映了一個關(guān)鍵的技術(shù)痛點我們擁有了強(qiáng)大的基礎(chǔ)模型卻缺乏一套可靠、可復(fù)現(xiàn)的“教育”方法來將這些“天才兒童”培養(yǎng)成我們需要的“專業(yè)人才”。后訓(xùn)練教學(xué)或者說指令微調(diào)是讓通用大模型變得“有用”的關(guān)鍵一步。它決定了模型是否能理解你的意圖、遵循復(fù)雜的指令、并以安全可靠的方式輸出。然而當(dāng)前業(yè)界普遍面臨幾個困境數(shù)據(jù)配方黑盒化各大公司的最佳實踐和數(shù)據(jù)混合配方Data Mix被視為核心機(jī)密社區(qū)只能“盲人摸象”。評估標(biāo)準(zhǔn)模糊除了幾個基準(zhǔn)測試如MT-Bench, AlpacaEval如何評估模型在真實、復(fù)雜任務(wù)上的指令遵循能力和安全性缺乏共識。效率與質(zhì)量的權(quán)衡用多少數(shù)據(jù)數(shù)據(jù)質(zhì)量有多重要是否需要多輪對話數(shù)據(jù)這些問題的答案往往來自試錯成本高昂。Nathan Lambert的這次行動目的就是打破這種信息不對稱試圖從社區(qū)中收集實戰(zhàn)經(jīng)驗提煉出具有指導(dǎo)意義的方法論。對于每一位從事大模型應(yīng)用開發(fā)、微調(diào)的研究者或工程師來說這都是一次難得的參與塑造行業(yè)實踐標(biāo)準(zhǔn)的機(jī)會。本文將深入解讀“后訓(xùn)練教學(xué)反饋”征集背后的技術(shù)內(nèi)涵并為你提供一個從理論到實踐的完整視角告訴你如何構(gòu)建自己的高質(zhì)量指令數(shù)據(jù)集以及當(dāng)前社區(qū)的最佳實踐有哪些。1. 后訓(xùn)練教學(xué)為什么它是當(dāng)前大模型落地的最大瓶頸在深入具體操作之前我們必須先理解問題所在。很多人誤以為后訓(xùn)練教學(xué)就是簡單地準(zhǔn)備一些“問答對”數(shù)據(jù)去微調(diào)模型。如果這么簡單就不會有那么多團(tuán)隊在此折戟了。后訓(xùn)練教學(xué)的本質(zhì)是“對齊”Alignment工程的核心部分。預(yù)訓(xùn)練模型學(xué)會了語言的統(tǒng)計規(guī)律擁有海量知識但它不知道“應(yīng)該”說什么以及“如何”組織回答來滿足人類的需求。后訓(xùn)練教學(xué)就是給模型植入“行為準(zhǔn)則”和“任務(wù)范式”。當(dāng)前的瓶頸主要體現(xiàn)在三個層面數(shù)據(jù)層面質(zhì)量、多樣性與成本的“不可能三角”。高質(zhì)量的人工標(biāo)注數(shù)據(jù)成本極高利用模型自生成的數(shù)據(jù)如Self-Instruct存在質(zhì)量滑坡和多樣性不足的風(fēng)險從互聯(lián)網(wǎng)抓取的數(shù)據(jù)則充滿了噪聲和偏見。如何設(shè)計一個高效、低成本且能覆蓋關(guān)鍵能力如推理、安全、長文寫作、代碼生成的數(shù)據(jù)混合策略是首要難題。方法層面SFT、RLHF與DPO的路徑選擇。監(jiān)督微調(diào)SFT是基礎(chǔ)但容易過擬合和遺忘知識。RLHF能進(jìn)一步對齊人類偏好但流程復(fù)雜、訓(xùn)練不穩(wěn)定。直接偏好優(yōu)化DPO等新方法提供了更簡單的選擇但其長期效果和泛化能力仍在驗證中。對于大多數(shù)團(tuán)隊?wèi)?yīng)該選擇哪條技術(shù)路線評估層面基準(zhǔn)測試的局限性與真實場景的脫節(jié)。模型在AlpacaEval上得分很高但在你的內(nèi)部業(yè)務(wù)API中可能表現(xiàn)糟糕。如何設(shè)計能夠真實反映模型在復(fù)雜指令、多輪對話、安全邊界等方面表現(xiàn)的評估體系這需要超越現(xiàn)有公開基準(zhǔn)的思考。Nathan Lambert征集反饋正是希望匯集社區(qū)在應(yīng)對這些瓶頸時積累的“土法煉鋼”經(jīng)驗和深刻教訓(xùn)。接下來我們將從實戰(zhàn)角度拆解后訓(xùn)練教學(xué)的關(guān)鍵環(huán)節(jié)。2. 核心概念辨析PT、SFT、RLHF、DPO與Instruction Tuning在開始動手前厘清概念至關(guān)重要因為混用術(shù)語會導(dǎo)致溝通和實操上的混亂。術(shù)語全稱核心目標(biāo)典型數(shù)據(jù)類比預(yù)訓(xùn)練 (PT)Pre-Training學(xué)習(xí)語言模型和世界知識海量無標(biāo)注文本如網(wǎng)頁、書籍“通識教育”讓模型掌握語言、事實和基礎(chǔ)推理。指令微調(diào) (IT)/后訓(xùn)練教學(xué)Instruction Tuning教會模型理解并遵循指令高質(zhì)量的指令輸出配對數(shù)據(jù)“崗前培訓(xùn)”教會模型按照要求格式完成任務(wù)。監(jiān)督微調(diào) (SFT)Supervised Fine-Tuning在特定任務(wù)或指令上優(yōu)化模型任務(wù)特定或指令數(shù)據(jù)IT的一種具體實現(xiàn)方式強(qiáng)調(diào)使用有標(biāo)簽的配對數(shù)據(jù)。人類反饋強(qiáng)化學(xué)習(xí) (RLHF)Reinforcement Learning from Human Feedback使模型輸出更符合人類偏好人類對模型多個輸出的偏好排序“價值觀與審美塑造”讓模型的回答更安全、更有用、更人性化。直接偏好優(yōu)化 (DPO)Direct Preference Optimization一種無需強(qiáng)化學(xué)習(xí)訓(xùn)練的偏好對齊方法優(yōu)選回答劣質(zhì)回答配對數(shù)據(jù)RLHF的簡化替代方案訓(xùn)練更穩(wěn)定但數(shù)據(jù)要求更嚴(yán)格。關(guān)鍵點指令微調(diào)IT是一個目標(biāo)即讓模型學(xué)會遵循指令。監(jiān)督微調(diào)SFT是實現(xiàn)這個目標(biāo)最常用的方法。RLHF/DPO通常發(fā)生在SFT之后用于進(jìn)一步微調(diào)模型使其輸出在多個維度上如安全性、幫助性更符合人類的偏好。你可以只有SFT但要想達(dá)到頂尖水平通常需要引入偏好優(yōu)化。在實際項目中流程往往是PT - IT/SFT - (可選) RLHF/DPO。3. 環(huán)境準(zhǔn)備構(gòu)建指令微調(diào)實驗平臺理論清晰后我們需要一個可以快速實驗的環(huán)境。以下是一個基于開源工具鏈的推薦方案它平衡了靈活性和易用性。3.1 硬件與基礎(chǔ)環(huán)境GPU至少需要一張顯存 24GB 的GPU如RTX 4090, A10, V100用于7B/13B參數(shù)模型的微調(diào)。對于更大模型或批量訓(xùn)練需要多卡或A100/H100。操作系統(tǒng)Linux (Ubuntu 20.04/22.04) 是首選對深度學(xué)習(xí)框架支持最好。Python版本 3.9 或 3.10。CUDA版本 11.8與你的GPU驅(qū)動和PyTorch版本匹配。3.2 核心軟件棧安裝我們使用conda管理環(huán)境PyTorch作為基礎(chǔ)框架Transformers和PEFT庫進(jìn)行高效微調(diào)。# 1. 創(chuàng)建并激活conda環(huán)境 conda create -n llm-sft python3.10 -y conda activate llm-sft # 2. 安裝PyTorch (請根據(jù)CUDA版本去官網(wǎng)獲取最新安裝命令) # 例如對于CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 3. 安裝Hugging Face生態(tài)核心庫 pip install transformers datasets accelerate sentencepiece protobuf # 4. 安裝參數(shù)高效微調(diào)庫 pip install peft trl bitsandbytes # 5. 安裝訓(xùn)練循環(huán)與日志工具可選但推薦 pip install wandb tensorboard3.3 模型與數(shù)據(jù)準(zhǔn)備選擇一個基礎(chǔ)模型和你的指令數(shù)據(jù)集。這里以meta-llama/Llama-3.2-1B-Instruct一個小尺寸但指令能力不錯的模型和Alpaca格式數(shù)據(jù)為例。# download_model_and_data.py from transformers import AutoTokenizer, AutoModelForCausalLM from datasets import load_dataset import torch # 1. 下載模型和分詞器需要Hugging Face權(quán)限請先申請 model_name meta-llama/Llama-3.2-1B-Instruct tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained( model_name, torch_dtypetorch.bfloat16, # 使用BF16節(jié)省顯存 device_mapauto, # 自動分配到GPU trust_remote_codeTrue ) tokenizer.pad_token tokenizer.eos_token # 設(shè)置填充token # 2. 加載示例數(shù)據(jù)集例如Alpaca格式 # 假設(shè)你有一個本地的alpaca_data.json dataset load_dataset(json, data_files./alpaca_data.json) print(dataset[train][0]) # 查看一條數(shù)據(jù)樣例4. 指令數(shù)據(jù)集構(gòu)建從原則到實踐這是后訓(xùn)練教學(xué)成敗的關(guān)鍵。Nathan Lambert的反饋征集中數(shù)據(jù)配方是重中之重。4.1 高質(zhì)量指令數(shù)據(jù)的核心原則多樣性覆蓋多種任務(wù)類型問答、創(chuàng)作、分析、代碼、推理、角色扮演等、多種領(lǐng)域科技、文學(xué)、生活、專業(yè)領(lǐng)域和多種指令風(fēng)格簡潔、詳細(xì)、步驟化。真實性指令應(yīng)模擬真實用戶可能提出的請求避免過于學(xué)術(shù)化或人造的句式。復(fù)雜性分層包含簡單、中等、復(fù)雜的指令。復(fù)雜指令可能涉及多步驟推理、條件約束或長文生成。安全與負(fù)責(zé)任主動包含針對偏見、有害內(nèi)容、違法請求的指令并給出符合安全規(guī)范的拒絕或引導(dǎo)性回答。4.2 數(shù)據(jù)格式標(biāo)準(zhǔn)化ChatML與Alpaca統(tǒng)一的數(shù)據(jù)格式便于處理。目前主流有兩種Alpaca格式簡單明了適合單輪指令。{ instruction: 寫一首關(guān)于春天的詩。, input: , // 有時指令需要上下文輸入此處可空 output: 春風(fēng)拂面百花開燕子歸來尋舊宅... }ChatML格式由OpenAI提出支持多輪對話是更通用的格式。[ {role: system, content: 你是一個有幫助的助手。}, {role: user, content: 寫一首關(guān)于春天的詩。}, {role: assistant, content: 春風(fēng)拂面百花開燕子歸來尋舊宅...} ]在訓(xùn)練時這些對話會被拼接成一個長文本并添加特殊的token如|im_start|,|im_end|來區(qū)分角色。4.3 數(shù)據(jù)生成與收集策略人工撰寫質(zhì)量最高但成本高昂。適用于核心的、高質(zhì)量的種子數(shù)據(jù)。自我指導(dǎo)Self-Instruct用一個種子模型如GPT-4根據(jù)少量樣本生成大量指令-輸出對然后進(jìn)行過濾和清洗。這是性價比很高的方法。從現(xiàn)有數(shù)據(jù)轉(zhuǎn)換將已有的問答數(shù)據(jù)集、論壇數(shù)據(jù)、代碼文檔等通過模板或模型重寫為指令格式。合成數(shù)據(jù)針對特定弱點如數(shù)學(xué)推理、安全拒絕使用規(guī)則或模型主動生成挑戰(zhàn)性數(shù)據(jù)。一個簡單的Self-Instruct數(shù)據(jù)生成示例概念性代碼# 這是一個概念流程實際應(yīng)用需要更復(fù)雜的提示工程和去重過濾 import openai # 或使用其他API def generate_instruction_pair(prompt_template, seed_instructions): # 使用大模型API根據(jù)種子指令和模板生成新的指令和輸出 # ... return new_instruction, new_output # 假設(shè)有一個種子指令列表 seed_instructions [解釋牛頓第一定律, 將‘你好’翻譯成英語, 寫一個Python函數(shù)計算斐波那契數(shù)列] synthetic_data [] for seed in seed_instructions: inst, out generate_instruction_pair(請擴(kuò)展以下任務(wù){(diào)seed}, seed) synthetic_data.append({instruction: inst, output: out})5. 使用QLoRA進(jìn)行高效指令微調(diào)實戰(zhàn)對于資源有限的團(tuán)隊全參數(shù)微調(diào)Full Fine-tuning成本過高。QLoRA是目前社區(qū)最流行的參數(shù)高效微調(diào)技術(shù)它能在極少的可訓(xùn)練參數(shù)下通常不到模型參數(shù)的1%達(dá)到接近全參數(shù)微調(diào)的效果。5.1 QLoRA原理簡述QLoRA的核心是量化Quantization將預(yù)訓(xùn)練模型的權(quán)重轉(zhuǎn)換為4-bit精度大幅減少內(nèi)存占用。低秩適配器LoRA凍結(jié)量化后的原模型只訓(xùn)練注入到模型各層中的、秩很小的低秩適配器矩陣。5.2 完整的SFT訓(xùn)練腳本以下是一個使用TRL庫的SFTTrainer和PEFT進(jìn)行QLoRA微調(diào)的完整示例。# train_sft_qlora.py from transformers import ( AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig, TrainingArguments, pipeline ) from peft import LoraConfig, get_peft_model from trl import SFTTrainer from datasets import load_dataset import torch # 1. 配置模型加載4-bit量化 model_name meta-llama/Llama-3.2-1B-Instruct bnb_config BitsAndBytesConfig( load_in_4bitTrue, bnb_4bit_quant_typenf4, bnb_4bit_compute_dtypetorch.bfloat16, bnb_4bit_use_double_quantTrue ) model AutoModelForCausalLM.from_pretrained( model_name, quantization_configbnb_config, device_mapauto, trust_remote_codeTrue ) model.config.use_cache False # 訓(xùn)練時關(guān)閉緩存 # 2. 加載分詞器 tokenizer AutoTokenizer.from_pretrained(model_name) tokenizer.pad_token tokenizer.eos_token tokenizer.padding_side right # 填充在右側(cè)用于訓(xùn)練 # 3. 配置LoRA peft_config LoraConfig( lora_alpha16, lora_dropout0.1, r64, # 秩 biasnone, task_typeCAUSAL_LM, target_modules[q_proj, v_proj, k_proj, o_proj, gate_proj, up_proj, down_proj] # 針對LLaMA結(jié)構(gòu) ) # 4. 準(zhǔn)備數(shù)據(jù)集 dataset load_dataset(json, data_files./your_instruction_data.json, splittrain) # 定義格式化函數(shù)將數(shù)據(jù)轉(zhuǎn)換為模型輸入文本 def formatting_func(example): # 假設(shè)是Alpaca格式 text f### Instruction:\n{example[instruction]}\n\n if example.get(input): text f### Input:\n{example[input]}\n\n text f### Response:\n{example[output]} return text # 5. 配置訓(xùn)練參數(shù) training_args TrainingArguments( output_dir./llama-3.2-1b-sft-lora, num_train_epochs3, per_device_train_batch_size4, gradient_accumulation_steps4, warmup_steps100, logging_steps10, save_strategyepoch, evaluation_strategyno, learning_rate2e-4, fp16False, bf16True, # 使用BF16 tf32True, gradient_checkpointingTrue, optimpaged_adamw_8bit, report_totensorboard, ) # 6. 創(chuàng)建Trainer trainer SFTTrainer( modelmodel, argstraining_args, train_datasetdataset, tokenizertokenizer, max_seq_length1024, formatting_funcformatting_func, peft_configpeft_config, ) # 7. 開始訓(xùn)練 trainer.train() # 8. 保存適配器權(quán)重 trainer.model.save_pretrained(./llama-3.2-1b-sft-lora-adapter) tokenizer.save_pretrained(./llama-3.2-1b-sft-lora-adapter)5.3 關(guān)鍵參數(shù)解析load_in_4bitTrue啟用4-bit量化這是QLoRA內(nèi)存節(jié)省的關(guān)鍵。lora_alpha和rLoRA的超參數(shù)。r是秩通常8-64之間越大能力越強(qiáng)但參數(shù)越多alpha是縮放因子通常設(shè)為r的2倍。target_modules指定將LoRA適配器添加到模型的哪些線性層。不同模型結(jié)構(gòu)不同需要查閱對應(yīng)模型的文檔。per_device_train_batch_size和gradient_accumulation_steps實際批量大小 per_device_batch_size * gradient_accumulation_steps * GPU數(shù)量。用于在有限顯存下模擬更大的批量。bf16True使用BF16混合精度訓(xùn)練進(jìn)一步節(jié)省顯存并加速。6. 模型評估與效果驗證不僅僅是跑分訓(xùn)練完成后如何知道模型真的變好了你需要一個分層的評估策略。6.1 基礎(chǔ)能力評估自動化使用標(biāo)準(zhǔn)基準(zhǔn)測試快速了解模型在通用能力上的變化。工具lm-evaluation-harness常用基準(zhǔn)MMLU大規(guī)模多任務(wù)語言理解測試各學(xué)科知識。GSM8K小學(xué)數(shù)學(xué)應(yīng)用題測試逐步推理能力。HumanEval代碼生成能力。TruthfulQA測試模型產(chǎn)生真實、可靠答案的傾向。# 安裝評估套件 pip install lm-eval # 運行一個簡單評估示例 lm_eval --model hf \ --model_args pretrained./my_finetuned_model \ --tasks mmlu,gsm8k \ --device cuda:0 \ --batch_size 86.2 指令遵循與安全性評估人工自動化這是后訓(xùn)練教學(xué)評估的核心也是最難的部分。構(gòu)建評估集創(chuàng)建一個包含各種指令類型的測試集特別是復(fù)雜指令多步驟任務(wù)、有約束條件的創(chuàng)作。安全邊界測試有害請求、偏見性問題、敏感話題。模型應(yīng)學(xué)會安全地拒絕或引導(dǎo)。格式遵循要求以特定格式JSON、列表、Markdown輸出。人工評估Gold Standard隨機(jī)抽取100-200條測試指令由評估者根據(jù)清晰的標(biāo)準(zhǔn)如是否完成指令、信息準(zhǔn)確性、安全性、語言質(zhì)量進(jìn)行打分。這是最可靠的方法。使用強(qiáng)模型作為裁判使用GPT-4等強(qiáng)模型通過精心設(shè)計的提示詞對微調(diào)后模型和基線模型的輸出進(jìn)行對比評分。這可以作為人工評估的補(bǔ)充和規(guī)模化手段。6.3 實際場景測試將模型集成到一個簡單的聊天界面或API中進(jìn)行端到端的用戶體驗測試。觀察其在更自然、更開放的對話中表現(xiàn)如何。7. 常見問題與排查思路在后訓(xùn)練教學(xué)過程中你一定會遇到各種問題。下表總結(jié)了一些典型問題及其解決方法。問題現(xiàn)象可能原因排查方式解決方案訓(xùn)練損失Loss不下降或震蕩學(xué)習(xí)率過高/過低數(shù)據(jù)質(zhì)量差噪聲大、格式混亂批量大小不合適。檢查學(xué)習(xí)率曲線可視化幾條訓(xùn)練數(shù)據(jù)的輸入輸出嘗試更小的學(xué)習(xí)率如5e-5。降低學(xué)習(xí)率清洗和規(guī)范化數(shù)據(jù)嘗試增大gradient_accumulation_steps來增大有效批量。模型“失憶”或常識變差災(zāi)難性遺忘。微調(diào)數(shù)據(jù)量太小或?qū)W習(xí)率太高覆蓋了預(yù)訓(xùn)練知識。在MMLU等知識性基準(zhǔn)上測試微調(diào)前后表現(xiàn)。使用更小的學(xué)習(xí)率在微調(diào)數(shù)據(jù)中混合少量通用文本數(shù)據(jù)采用LoRA等參數(shù)高效方法凍結(jié)大部分原模型參數(shù)。模型輸出重復(fù)或無意義字符訓(xùn)練數(shù)據(jù)中存在大量重復(fù)或低質(zhì)量輸出分詞器Tokenizer設(shè)置問題如pad_token未設(shè)置。檢查訓(xùn)練數(shù)據(jù)中output字段的質(zhì)量在推理時打印生成的token id看看是否異常。徹底清洗數(shù)據(jù)去除重復(fù)和低質(zhì)量樣本確保tokenizer.pad_token tokenizer.eos_token。訓(xùn)練后模型不遵循指令指令格式在訓(xùn)練和推理時不一致數(shù)據(jù)中指令-輸出的關(guān)聯(lián)性不強(qiáng)。對比訓(xùn)練時formatting_func生成的文本和推理時你構(gòu)造的提示文本是否一致。確保推理時輸入的提示格式與訓(xùn)練時完全一致。強(qiáng)化指令與輸出的關(guān)聯(lián)性可以嘗試在指令數(shù)據(jù)前加上“### Instruction:”等明顯標(biāo)記。GPU內(nèi)存溢出OOM模型太大序列長度max_seq_length設(shè)置過長批量太大。使用nvidia-smi監(jiān)控顯存使用。啟用梯度檢查點gradient_checkpointingTrue降低per_device_batch_size降低max_seq_length使用QLoRA4-bit量化。生成結(jié)果總是很短訓(xùn)練數(shù)據(jù)中輸出普遍較短推理參數(shù)max_new_tokens設(shè)置過小。分析訓(xùn)練數(shù)據(jù)中output的長度分布。在數(shù)據(jù)中增加一些長文本生成樣本在推理時增大max_new_tokens參數(shù)。8. 最佳實踐與工程建議結(jié)合社區(qū)經(jīng)驗這也是Nathan希望收集的和工程實踐以下建議能幫你少走彎路從小模型和小數(shù)據(jù)開始不要一開始就用70B模型和百萬級數(shù)據(jù)。用1B或7B模型配合1萬到10萬條高質(zhì)量數(shù)據(jù)跑通整個流程數(shù)據(jù)準(zhǔn)備、訓(xùn)練、評估驗證方法有效性。數(shù)據(jù)質(zhì)量 數(shù)據(jù)數(shù)量幾千條精心構(gòu)造、多樣化的數(shù)據(jù)其效果可能遠(yuǎn)超幾十萬條爬取的噪聲數(shù)據(jù)。在數(shù)據(jù)清洗和構(gòu)造上投入時間是值得的。構(gòu)建可重復(fù)的數(shù)據(jù)流水線將數(shù)據(jù)收集、清洗、格式轉(zhuǎn)換、拆分訓(xùn)練/驗證/測試的步驟腳本化。這能確保實驗的可復(fù)現(xiàn)性并方便后續(xù)迭代。系統(tǒng)化評估建立你自己的評估體系包含自動化基準(zhǔn)測試、關(guān)鍵用例集Golden Set人工評估。每次訓(xùn)練后都運行評估并記錄結(jié)果方便橫向?qū)Ρ炔煌瑢嶒灐０姹究刂埔磺惺褂肎it管理代碼、配置和訓(xùn)練腳本。使用DVC或類似工具管理數(shù)據(jù)集版本和模型檢查點。清晰記錄每次實驗的超參數(shù)、數(shù)據(jù)配比和結(jié)果。謹(jǐn)慎對待RLHF/DPO如果你的目標(biāo)是讓模型更“有用”和“安全”且資源允許可以在SFT后引入DPO。但請準(zhǔn)備好高質(zhì)量的偏好數(shù)據(jù)即對于同一個指令有明確的好壞回答對比。RLHF/DPO很容易學(xué)“偏”引入新的問題。安全與對齊是持續(xù)過程后訓(xùn)練教學(xué)無法一勞永逸地解決安全問題。你需要持續(xù)監(jiān)控模型在生產(chǎn)環(huán)境中的輸出建立反饋閉環(huán)并定期用新的安全數(shù)據(jù)對模型進(jìn)行迭代更新。回到Nathan Lambert的倡議他正在做的正是推動這些分散的“最佳實踐”成為更公開、更系統(tǒng)的知識。對于每一位從業(yè)者而言參與這種討論分享自己在數(shù)據(jù)配方、評估方法、訓(xùn)練技巧上的得失不僅能幫助自己梳理思路也能從社區(qū)反饋中獲益共同降低大模型應(yīng)用的門檻。后訓(xùn)練教學(xué)已經(jīng)從一門“玄學(xué)”逐漸走向“工程科學(xué)”。它的核心不再是神秘配方而是對數(shù)據(jù)、模型、評估三者之間關(guān)系的深刻理解和嚴(yán)謹(jǐn)實驗。通過本文提供的從環(huán)境搭建、數(shù)據(jù)構(gòu)建、QLoRA微調(diào)到評估的完整路徑你已經(jīng)具備了啟動自己第一個指令微調(diào)實驗的能力。接下來就是在實踐中積累屬于你自己的“反饋”這或許就是你對這個快速發(fā)展的領(lǐng)域做出的最有價值的貢獻(xiàn)。