大模型LLM微调新方法，不需要修改权重

有一种新的有前景的方法可以在不修改 LLM 权重的情况下对其进行微调，称为代理调优（Liu 等人arxiv.org/abs/2401.08565 ）。

它是如何工作的？这是一种简单的解码时方法，您可以在其中修改目标 LLM 的 logits。特别是，您可以计算较小的基础模型和微调模型之间的 logits 差异，然后将该差异应用于目标模型的 logits。

更具体地说，假设目标是改进大目标模型 (M1)。

主要思想是采用两个小模型：

- 小型基础型号（M2）

- 微调的基础模型 (M3)

然后，您只需将较小模型的预测（输出词汇表的对数）的差异应用于目标模型 M1。

改进后的目标模型的输出计算为 M1 *(x) = M1 (x) + [M3 (x) - M2 (x)]

根据实验结果，这种方法效果出奇的好。作者对此进行了测试

A. 指令调优

B. 领域适应

C. 针对特定任务的微调

为了简洁起见，只关注A点，下面是一个具体的例子：

1. 目标是将 Llama 2 70B Base 模型改进到 Llama 2 70B Chat 的水平，但不执行任何 RLHF 从 Base -> Chat 获取模型。

2. 他们采用了小 10 倍的 Llama 2 7B 模型，并对其进行了指令微调。

3. 微调后，他们计算了 7B Base 和 7B Finetuned 之间输出词汇的 logits 差异

4. 他们将 3) 的差异应用到 Llama 2 70B 基础模型。这使得 70B Base 模型的性能非常接近 70B Chat。

当然，这种方法唯一的警告是，较小的模型必须使用与较大模型相同的词汇进行训练。理论上，如果人们了解 GPT-4 词汇表并能够访问其 logit 输出，则可以使用这种方法创建新的专用 GPT-4 模型。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓