I have been fine-tuning LLMs for over 2 years now!
我微调大语言模型已经两年多了!
490 个英文词 · 2 个原文块 · 0 张保存图片
总结
作者表示,自己微调大语言模型已有两年多,并列出如果重新学习,将优先掌握的15种技术,包括LoRA、QLoRA、前缀调优、适配器调优、指令调优、P-tuning、BitFit、软提示、多任务微调和联邦微调等。文中还介绍了RLHF、RLAIF、DPO、GRPO与RLVR等偏好优化或强化学习方法;其中部分效果、成本和应用描述是作者的概括性判断。
作者特别说明,GRPO需要每个回答对应一个标量奖励。对于数学和代码任务,RLVR可通过检查器或编译器生成可验证分数;但RAG回答、客服回复和摘要等任务通常没有可直接匹配的标准答案。常见替代方案是手写奖励函数,用于评估忠实度、幻觉和完整性。
作者认为,手写奖励函数需要数日校准,权重不当可能鼓励错误行为,并且在增加工具或修改系统提示时容易失效。作者随后介绍RULER,并称其已在OpenPipe的开源ART中实现:训练时,系统将多个采样轨迹交给评判模型,让其依据智能体系统提示进行相对排序并返回分数;作者认为,相对排序比绝对评分更稳定,且可配合GRPO的组内归一化直接进入训练流程。
作者提供了ART的GitHub仓库链接(https://github.com/OpenPipe/ART),并称自己近期写过一篇包含训练循环和代码的完整解析,邀请读者继续阅读。
- 大语言模型微调
- 参数高效微调
- 强化学习与偏好优化
- GRPO与RLVR
- RULER/ART
英文原文 01
237 词I have been fine-tuning LLMs for over 2 years now!
Here are the top 15 techniques I'd learn if I were to fine-tune them:
Bookmark this.
1. LoRA > Freezes the base weights and trains two low-rank matrices as the update, resulting in ~95-99% fewer params to fine-tune.
2. QLoRA > LoRA on top of a 4-bit quantized base model.
3. Prefix tuning > Prepends trainable vectors to keys and values at every layer, weights frozen.
4. Adapter tuning > Inserts small trainable modules between transformer layers.
5. Instruction tuning > Supervised tuning on (instruction, response) pairs so the model follows directions instead of just continuing text.
6. P-tuning > Optimizes continuous prompt embeddings through a small encoder, mainly for NLU tasks where discrete prompts are unstable.
7. BitFit > Trains only the bias terms, ~0.08% of params, and still rivals full fine-tuning on small-to-medium datasets.
8. Soft prompts > Steer a frozen model with learned vectors instead of handcrafted tokens.
9. RLHF > Train a reward model on human preference rankings, then PPO against it. The pipeline behind the first ChatGPT.
10. RLAIF > Swaps the human labeler for an LLM judging. RLHF-level quality at a fraction of the cost.
11. DPO (Direct Preference Optimization) > Skips the reward model and optimizes preference pairs directly with a classification-style loss. Simpler than PPO.
12. GRPO (Group Relative Policy Optimization) > Samples a group of responses per prompt and normalizes their rewards within the group. DeepSeek R1 ran on it.
中文译文 01
461 字我从事 LLM 微调已经超过两年了!
如果要微调这些模型,以下是我会学习的 15 项顶尖技术:
收藏这篇内容。
1. LoRA > 冻结基础模型的权重,并训练两个低秩矩阵作为更新,从而使需要微调的参数减少约 95%–99%。
2. QLoRA > 在 4 位量化的基础模型上使用 LoRA。
3. Prefix tuning(前缀调优) > 在每一层的键和值前面添加可训练向量,同时冻结权重。
4. Adapter tuning(适配器调优) > 在 Transformer 层之间插入小型可训练模块。
5. Instruction tuning(指令调优) > 在(指令、回答)对上进行监督式调优,使模型遵循指令,而不只是续写文本。
6. P-tuning > 通过一个小型编码器优化连续提示嵌入,主要用于离散提示不稳定的自然语言理解任务。
7. BitFit > 只训练偏置项,约占参数量的 0.08%,在中小型数据集上仍可媲美全量微调。
8. Soft prompts(软提示) > 使用学习得到的向量,而不是手工设计的词元,来引导被冻结的模型。
9. RLHF(基于人类反馈的强化学习) > 根据人类偏好排序训练奖励模型,然后以此为依据使用 PPO 进行训练。首个 ChatGPT 背后的流程。
10. RLAIF(基于 AI 反馈的强化学习) > 用负责评判的 LLM 替代人工标注者。以一小部分成本达到 RLHF 级别的质量。
11. DPO(直接偏好优化) > 跳过奖励模型,使用类似分类损失的目标函数直接优化偏好对。比 PPO 更简单。
12. GRPO(群组相对策略优化) > 针对每个提示采样一组回答,并在组内对它们的奖励进行归一化。DeepSeek R1 使用了它。
上下游
本块首次出现的来源与延伸
完整性仅针对提交文件,作者观点与事实核验分开。
本地原文已读取;线上来源未独立访问本块新增 1 项
判断
对本块内容的判断
这是作者的自述,未提供独立核验依据。 “顶尖”反映作者判断,不等于经过统一标准验证的排名。 这是行动建议,不包含可核验的技术主张。 参数减少比例是作者给出的约数,具体结果会受模型和配置影响;原文未提供依据。 原文只给出定义,未说明具体效果或适用条件。 这是作者对方法机制的概述,未讨论性能或限制。 原文未说明模块的具体结构、训练成本或效果。 原文描述了目标和训练形式,但未限定数据质量或效果边界。 “主要用于”和“不稳定”是作者的概括,未给出任务范围或实验证据。 0.08% 和“可媲美”是原文主张,具体比例与效果取决于模型、数据集和评测,原文未提供证据。 原文未说明训练方式、适用任务或相对手工提示的效果。 “首个 ChatGPT 背后的流程”是作者的归属性表述;原文未说明具体版本或提供核验依据。 “RLHF 级别的质量”和“只需一小部分成本”是作者的主张,未给出比较条件或证据。 “更简单”是相对判断,原文未讨论性能、数据要求或实现差异。 关于 DeepSeek R1 的使用归属和具体实现,原文未提供核验细节。
解释
本块首次出现的知识点
微调经验
作者说明自己有超过两年的大语言模型微调经验,为后续技术清单提供个人背景。
本文语境解释,未作为独立知识专题收录。
15 项微调技术
作者将介绍一组用于大语言模型微调的技术,并以个人学习选择的形式呈现。
本文语境解释,未作为独立知识专题收录。
收藏提示
作者建议读者保存这份技术清单,以便之后查阅。
本文语境解释,未作为独立知识专题收录。
LoRA
LoRA 通过不更新基础权重、仅训练低秩更新矩阵来降低微调参数量。
本文语境解释,未作为独立知识专题收录。
QLoRA
QLoRA 将 LoRA 应用于经过 4 位量化的基础模型,结合参数高效微调与量化。
本文语境解释,未作为独立知识专题收录。
前缀调优
该方法在各层注意力机制的键和值之前加入可训练向量,而不更新原有权重。
本文语境解释,未作为独立知识专题收录。
适配器调优
适配器调优通过在 Transformer 层之间增加小型模块来学习任务相关变化。
本文语境解释,未作为独立知识专题收录。
指令调优
该方法使用指令与对应回答组成的监督数据,使训练目标从普通文本续写扩展到指令遵循。
本文语境解释,未作为独立知识专题收录。
P-tuning
P-tuning 学习连续的提示表示,并借助小型编码器进行优化;作者将其主要应用场景指向自然语言理解任务。
本文语境解释,未作为独立知识专题收录。
BitFit
BitFit 将可训练部分限制为偏置参数,以极少的参数参与训练;作者声称其在中小型数据集上的效果接近全量微调。
本文语境解释,未作为独立知识专题收录。
软提示
软提示通过训练连续向量控制一个冻结模型的行为,替代人工编写的离散词元提示。
本文语境解释,未作为独立知识专题收录。
RLHF
RLHF 先利用人类对回答的偏好排序训练奖励模型,再通过 PPO 优化模型,使输出更符合这些偏好。
本文语境解释,未作为独立知识专题收录。
RLAIF
RLAIF 使用大语言模型进行评价,以替代人类标注者生成偏好信号。
本文语境解释,未作为独立知识专题收录。
直接偏好优化
DPO 直接利用偏好数据对训练模型,不再单独训练奖励模型;作者将其描述为比 PPO 更简单。
本文语境解释,未作为独立知识专题收录。
群组相对策略优化
GRPO 通过比较同一提示下的一组回答,并在组内归一化奖励来进行策略优化。作者还将该方法与 DeepSeek R1 联系起来。
本文语境解释,未作为独立知识专题收录。
本块新增 15 项
英文原文 02
253 词13. RLVR (Reinforcement Learning with Verifiable Rewards) > Replaces the learned reward model with a checker or compiler returning verifiable scores. The free signal behind R1's math and code.
14. Multi-task fine-tuning > Trains on several tasks at once, so one model generalizes and shares representations instead of overfitting to one objective.
15. Federated fine-tuning > Tunes across decentralized clients that share only weight updates, never raw data. For when data can't leave the device.
GRPO needs exactly one scalar reward per response. RLVR (13) produces that for free on math and code by running the answer through a checker or compiler.
But tasks like a RAG answer, a support reply, or a summary have no gold label to match against.
The usual fallback is a hand-written reward function scoring faithfulness, hallucination, and completeness.
It takes days to calibrate, rewards the wrong behavior when the weights are off, and breaks every time you add a tool or edit the system prompt.
RULER, implemented in OpenPipe's ART (open-source), solves this.
During training, it passes the N sampled trajectories to a judge LLM, which ranks them relative to each other against the agent's system prompt and returns the scores.
Relative ranking is more stable than absolute scoring, and GRPO normalizes within the group anyway, so the rankings feed straight into the pipeline like with RLVR.
Here's the GitHub Repo: https://github.com/OpenPipe/ART
(don't forget to star it ⭐ )
I wrote a full breakdown recently on how exactly this works, with the training loop and code.
Read it below.
中文译文 02
488 字13. RLVR(基于可验证奖励的强化学习) > 用返回可验证分数的检查器或编译器替代学习得到的奖励模型。R1 的数学和代码能力背后的免费信号。
14. Multi-task fine-tuning(多任务微调) > 同时在多个任务上训练,使一个模型能够泛化并共享表示,而不是对单一目标过拟合。
15. Federated fine-tuning(联邦微调) > 在去中心化客户端之间进行调优,客户端只共享权重更新,从不共享原始数据。适用于数据不能离开设备的情况。
GRPO 每个回答恰好需要一个标量奖励。RLVR(第 13 项)可以在数学和代码任务上免费产生这一奖励:将答案交给检查器或编译器运行。
但像 RAG 回答、客服回复或摘要这样的任务,没有可以用来比对的标准答案标签。
通常的后备方案是编写奖励函数,根据忠实性、幻觉和完整性进行评分。
校准它需要数天;当权重设置不当时,它会奖励错误行为;而且每次添加工具或修改系统提示时,它都会失效。
OpenPipe 的 ART(开源项目)中实现的 RULER 解决了这个问题。
训练期间,它会将 N 条采样轨迹交给一个评判 LLM,让该模型根据智能体的系统提示对这些轨迹进行相对排名,并返回分数。
相对排名比绝对评分更稳定,而且 GRPO 无论如何都会在组内进行归一化,因此这些排名会像 RLVR 中一样直接进入流程。
这是 GitHub 仓库:https://github.com/OpenPipe/ART [1]
(别忘了给它点个 star ⭐)
我最近写了一篇完整的分析文章,详细介绍这套方法究竟如何运作,其中包括训练循环和代码。
请在下方阅读。
上下游
本块首次出现的来源与延伸
保留原文提供的资源地址,供查看对应材料和上下文。
原文链接;未将未核验内容当作新证据本块新增 1 项 · 另有 1 项已在前文介绍
判断
对本块内容的判断
“免费信号”是成本层面的概括;R1 的具体训练作用和成本未在原文中展开或核验。 “能够泛化”和避免过拟合是方法目标或作者概括,不保证在所有任务上成立。 原文将“只共享权重更新”作为描述,未讨论更新泄露、隐私保护或通信限制。 “恰好”和“免费”是原文的强表述;不同实现的奖励格式与运行成本未在原文中说明。 这是对任务类型的概括;原文未声称这些任务在任何情况下都没有参考答案。 这是作者所述的通常做法,未给出具体评分定义或适用范围。 “数天”“每次都会失效”是作者的强烈概括,未提供测量依据,不能视为对所有实现的普遍结论。 “解决了”是作者的结论;原文未给出实现细节、评测结果或独立核验信息。 原文使用变量 N,未说明其具体取值;评判 LLM 的可靠性及分数校准方式也未在本文中说明。 这是作者对相关训练流程的判断;文中未提供实验数据或其他依据来核验“更稳定”及流程等价性的适用范围。 这是作者提供的项目地址;仅依据原文,未对链接内容或仓库状态进行核验。 这是作者面向读者的请求,不构成对项目质量或内容的独立证明。 这是作者对另一篇文章内容的介绍;原文没有在此处展开训练循环或代码,也未说明该文章的具体地址。 这是阅读指引;给定原文未包含其所指向的下方文章内容。
核验与延伸:t.co · 原文资源 ↗ · I have been fine-tuning LLMs for over 2 years now! ↗
解释
本块首次出现的知识点
基于可验证奖励的强化学习
RLVR 使用检查器或编译器对答案进行验证并产生奖励,而不是依赖学习得到的奖励模型。作者将其与 R1 的数学和代码训练信号联系起来。
本文语境解释,未作为独立知识专题收录。
多任务微调
多任务微调把多个任务放在同一训练过程中,目标是促进表示共享和跨任务泛化,并降低只适应单一目标的倾向。
本文语境解释,未作为独立知识专题收录。
联邦微调
联邦微调让多个客户端在本地处理数据,并交换权重更新而非原始数据,面向数据必须留在设备上的场景。
本文语境解释,未作为独立知识专题收录。
GRPO 与 RLVR 的奖励
该段说明 GRPO 所需的奖励形式,并指出 RLVR 可通过检查器或编译器为数学和代码回答生成单一标量奖励。
本文语境解释,未作为独立知识专题收录。
缺少标准答案的任务
作者指出,检索增强生成回答、客服回复和摘要等任务通常难以直接通过标准答案进行逐一比对。
本文语境解释,未作为独立知识专题收录。
手写奖励函数
当缺少可直接验证的标准答案时,作者提出使用人工设计的奖励函数评估回答是否忠实、是否产生幻觉以及是否完整。
本文语境解释,未作为独立知识专题收录。
手写奖励函数的局限
作者列出手写奖励函数的维护问题:校准耗时,权重偏差可能诱导错误行为,系统变化还可能使原有函数不再适用。
本文语境解释,未作为独立知识专题收录。
RULER
作者提出 RULER 作为上述奖励设计问题的解决方案,并说明它是在 OpenPipe 的开源 ART 中实现的。
本文语境解释,未作为独立知识专题收录。
RULER 的训练流程
该流程使用评判型 LLM 比较同一训练情境下采样得到的多条轨迹,并依据智能体系统提示生成相对排名和分数。
本文语境解释,未作为独立知识专题收录。
相对排名与组内归一化
作者认为,相对排名的稳定性高于绝对评分;由于 GRPO 会在组内归一化,排名可以直接用于后续流程,并将其与 RLVR 的流程相类比。
本文语境解释,未作为独立知识专题收录。
GitHub 仓库
作者提供了 OpenPipe/ART 项目的 GitHub 仓库地址,原文同时包含一个指向该地址的链接。
本文语境解释,未作为独立知识专题收录。
请求收藏项目
作者请求读者在 GitHub 上为该项目点 star,并保留了星星表情。
本文语境解释,未作为独立知识专题收录。
完整方法分析
作者表示,自己近期撰写了一篇文章,内容涵盖该方法的具体运作方式、训练循环以及代码。
本文语境解释,未作为独立知识专题收录。
引导阅读
作者引导读者继续阅读下方内容,承接前文所述的完整分析文章。
本文语境解释,未作为独立知识专题收录。
本块新增 14 项
来源与阅读说明
正文取自用户提交的本地文件,原始文件与原图按字节归档。原网页含 1 段视频,本保存件未取得视频文件;保留静态预览(如有),完整视频请从原文链接查看。中文译文逐单元生成并由另一次模型请求审校;未进行人工全文审校、线上来源比对或代码执行。作者与日期缺失时保留未知。
阅读补充解释本文内容与限制,不冒充独立知识专题或外部事实核验。图片保持原样,图内说明单独保存。阅读器沿用 ReadLess 公共组件及中文约 400 字分块规则。