大模型微调到底有没有技术含量？

今天给大家带来知乎好友@ybq的一篇回答-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？

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。

……

写在最后

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

本文转自 https://blog.csdn.net/2301_76225313/article/details/141032352?spm=1001.2014.3001.5501，如有侵权，请联系删除。