大模型微调到底有没有技术含量，或者说技术含量到底有多大？

发菜君

于 2024-09-16 11:00:00 发布

阅读量706

点赞数 15

文章标签：人工智能产品经理学习大模型学习深度学习

本文链接：https://blog.csdn.net/2401_84494441/article/details/142265060

版权

老生常谈的一句话吧：有没有技术含量取决于这个工作你怎么做，尤其是 llm 方向，上手门槛相比传统 NLP 变得更低了。

我举一些例子吧，针对大模型微调的几个重要环节，我列举的每一种做法大概率都能完成最终目标，甚至说训出来的模型效果都没什么差别。但对个人能力成长的帮助就大不相同了。

数据工作

做法 1 : 继承实验室或者同事的训练数据，拿到之后也不 check 一下数据质量，直接放进去训。

做法 2 : 下载一个开源数据，构建“system + query + answer”集合。

做法 3 : 利用 gpt4 生成数据，学会用 gpt4 喜好的 prompt 去请求。并且意识到数据 prompt 多样性，想尽各种办法去扩充 prompt 的任务多样性和表达方式多样性，甚至去刻意加一些 noisy prompt 去提升抗噪性。同时，愿意放下身架，一条一条去 check 数据质量，去和标注同学对齐标注标准。

做法 4 : 利用用户的交互日志来驱动数据构造过程，收集用户的真实 prompt，用规则或者GPT4去分析用户的 feedback，进而获得高质量的 answer 数据。

做法 5 : 借鉴 cot、rag、 function_call、agent 等思路，把复杂的模型无法胜任的任务在数据层面就进行拆解，比如“模型写不出长篇小说” --> “模型写小说大纲，模型基于小说大纲写长篇小说”。

……

训练代码

做法 1 : 继承实验室或者同事的训练代码，修改 data_path，然后 bash train.sh。

做法 2 : 继承或自己下载一份训练代码，研究启动代码的每一个参数，去寻思并去搞懂：为啥开 offload，什么叫 sequence_parallel，等等。然后再去看看 dataloader 是怎么处理数据格式，session 数据的 loss 是只计算最后一轮还是每轮都算，代码中应用了哪些 special_token 等等。

做法 3 : 不仅搞懂了每个参数，还提出自己的见解：epoch = 3 是不是太多了，10W 条训练数据这个量级合适吗？special_token 是不是引入的太多了？7B 模型用这个学习率是不是太大了，warmup 该用多少 step 或者说能不能不开 warmup？带着疑惑然后去问问 chatgpt 老师怎么说，或者搜搜大佬们的文章拜读一下。

做法 4 : 质疑和改进训练代码，deepspeed 是不是有点慢，要不要改成 megatron 框架？把 megatron 和 deepspeed 的优点结合起来？如果有兴趣，也可以去 debug 下速度，发现 rope 的耗时会比 attention 都长的时候想想办法去优化（查查大佬们的优化方案）？

……

实验分析

做法 1 : 跑事前准备好的评估集，然后自评或送评，正向收益的话这个工作纠结束了，负向收益的话就认为是数据不干净，想办法去清洗数据或者是构造更多的训练数据，哪个 task 的指标差就重点优化这个 task 的训练数据。

做法 2 : 结合 pretrain 模型 / sft_base 模型的结果，去归类和分析每一个 sft_exp 模型的 bad case，归类分析：幻觉问题？pattern 过拟合问题？问题太难训练不充分问题？pretrain模型压根就没有这个能力？这个 size 的模型就做不了这种复杂逻辑问题？……

针对自己的分析结果，设计实验去验证。怀疑某个 task 欠拟合，就上采样这个 task 的数据；怀疑是训过拟合了，就抽一些训练数据的 prompt 格式，让模型去回答类似的问题；不知道 7B 模型能不能解决好这个任务，就去下载 llama、qwen、mistral、deepspeek 等同 size 的 chat 模型去验证效果；等等等等。

这个过程要往往要积攒一些经验，学会一些小 trick：

让 pretrain 模型去续写，来判断某个能力或某个知识是模型压根没有，还是说被自己训没了；
观察某个 token 的概率；
观察模型在第几个 token 开始回答错误的；
如果模型的 pattern 输出错误，比如没有按照 json 输出，看一下是不会 json，还是不知道该出 json，可以把``json```也喂给模型，看模型的续写情况；
模型把“日本的首都回答成了北京“了，不要直接断言是幻觉，而是分析下模型是对“日本””首都“”北京“哪个 token 过拟合了，有可能是模型把所有国家的首都都回答成北京，也有可能模型是把日本的任何城市都回答成北京。进而看下训练集和这个 pattern 有关的语料是不是太多了；
……

做法 3 : 不仅意识到模型结果和数据质量有关，还去分析和训练方法的关系。结合训练日志、tensorboad 和模型的评估结果，去共同分析模型效果。SFT 的初始 loss 这么高是为什么、special_token 太多还是训练集的创作任务太多？最终 loss 又是多少、低于 0.5 就要担心过拟合了？channel_loss 是否符合预期？SFT 的阶梯形 loss 代表了什么？3 个 epoch 和 2 个 epoch 的效果对比？

做法 4 : 跑一些 benchmark，去验证模型的通用能力，看看模型是否在通用能力上明显下降，或者说哪种通用能力下降了？进而分析，为什么自己训 task A 会导致数学能力下降？自己训 task B 会导致创作能力下降？想办法去研究通用能力的跷跷板问题，去避免学着忘着的尴尬现象。

……

并不是说以上的“做法1”是不对的，我自己也有过很多次的“做法1”，毕竟相信前辈往往都能有不错的结果。我只是想强调：SFT这个方向有没有技术含量，还是要看自己的定位和做法。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。