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。
链接:https://mp.weixin.qq.com/s/mA9kNbT9dYsefPVMQ_IYaw