大语言模型的训练过程一般包括3个阶段：预训练（Pre-training）、SFT（有监督的微调，Supervised-Finetuning）以及RLHF（基于人类反馈的强化学习，Reinforcement Learning from Human Feedback），其中SFT和RLHF不是必须的流程。

为了通俗理解LLM训练的这三个过程，可以类比人类在学校学习知识的过程：

1. 预训练：就像是在一所学校里，老师给学生们一大堆书和资料，让他们自己阅读和学习。在这个过程中，学生们不需要老师的直接指导，而是通过大量阅读来学习语言的基本结构和常识。这个阶段的目标是让模型能够理解和生成自然语言。简单来说，就是让模型通过阅读大量的文本数据（如书籍、文章等），学习语言的规则和知识。
2. SFT：这一步骤就像是在预训练的基础上，老师开始对学生们进行更加具体的指导。在这个阶段，模型会在特定的任务上进行进一步的学习和调整，比如通过解决特定的问题或完成特定的任务来微调模型。这个过程通常需要有标签的数据，即我们知道正确答案是什么，然后用这些数据来调整模型，使其更好地适应特定的任务。
3. RLHF：这一步骤可以理解为在前面的学习基础上，引入了人类的反馈来进一步优化模型。想象一下，学生们在完成作业后，老师不仅会检查他们的答案是否正确，还会根据作业的质量给出奖励或惩罚。在这个过程中，模型会根据人类的反馈来调整自己的行为，以达到更好的表现。这种方法可以让模型更好地理解复杂的人类偏好，并产生更准确、连贯且与上下文相关的响应。

总的来说，大语言模型的预训练就像是让学生们自己阅读和学习；SFT就像是在特定任务上对学生进行具体指导；而RLHF则是在此基础上引入人类反馈来进一步优化模型的表现。这三个步骤共同作用，使得大语言模型能够更好地理解和生成自然语言，同时也能更好地适应特定的任务和场景。

你可以跳过这三个阶段中的任何一个阶段。例如，你可以直接在预训练模型的基础上进行RLHF，而不必经过SFT阶段。然而，从实证的角度来看，将这三个步骤结合起来可以获得最佳性能。

下面我们就以ChatGPT/InstructGPT的训练过程来详细讲解大语言模型训练的三大阶段。

一、预训练

大语言模型的预训练过程可以通俗理解为，模型通过阅读大量的书籍、文章、对话等文本数据，来学习和理解语言的基本结构和语义规律。这些文本数据没有标签，即它们是“无标注”的。模型的目标是预测或生成下一个词或句子，以此来提高其理解和生成自然语言的能力。

具体来说，预训练阶段，模型首先被随机初始化，然后在大量未标注的文本数据上进行训练。这个过程包括了对语言的各种模式和规律的学习，比如词汇之间的关系、句子的结构、以及上下文中的信息如何影响单词的选择等。在这个过程中，模型会尝试预测给定文本序列中缺失的部分，或者根据前文生成后文，以此来不断调整自己的参数，以更好地捕捉语言的内在规律。

可以将SFT和RLHF视为解锁预训练模型已经具备、但仅通过提示难以触及的能力。

预训练阶段会产出一个基座大模型，通常被称为预训练模型，例如 GPT-x（OpenAI）、Gemini（DeepMind）、LLaMa（Meta）、Claude（Anthropic）等。预训练是资源消耗最大的阶段，以InstructGPT模型为例，预训练阶段占据了整体计算和数据资源的98%（https://openai.com/research/instruction-following）。

除了算力资源，预训练面临的另一个难题是数据瓶颈。像GPT-4这样的语言模型使用了非常庞大的数据量，以至于引发了一个现实问题，即在未来几年内我们会用尽互联网数据。这听起来很疯狂，但确实正在发生。一万亿个token（词元）有多大？一本书大约包含5万个单词或6.7万个token，所以一万亿个token相当于1500万本书。

训练数据集大小的增长速度远远快于新数据生成的速度（Villalobos等人，2022）。如果你曾在互联网上发布过任何内容，那么无论你同意与否，这些内容都已经、或者将会被纳入到某些语言模型的训练数据。这一情况类似于在互联网上所发布的内容会被Google索引。

此外，像ChatGPT这样的LLM所生成的数据正迅速充斥着互联网。所以，如果企业继续使用互联网数据来训练LLM，那么这些新LLM的训练数据可能就是由现有LLM所生成。

一旦公开可用的数据被耗尽，那么获取更多训练数据最可行的途径就是使用“专有数据”。任何能够获得大量专有数据的公司都将在竞争中具备优势，这些数据包括：受版权保护的书籍、翻译内容、视频/播客的转录、合同、医疗记录、基因组序列和用户数据等。因此，在ChatGPT问世后，许多公司都已修改了数据条款，以防止其他公司为语言大模型抓取其数据，如Reddit、*等。

二、SFT

1、为什么要监督微调？

预训练主要针对补全能力。如果给预训练模型一个问题，比如“How to make pizza”（如何制作比萨），以下任何一种都是有效的补全：

1. 给问题添加更多上下文：“for a family of six（为一个六口之家）”
2. 添加后续问题：“? What ingredients do I need? How much time would it take?（？需要哪些配料？需要多长时间？）”
3. 给出实际答案

如果你只是想知道如何制作，那么第三个选项是首选。SFT的目的就是优化预训练模型，使其生成用户所期望的回答。

如何做到这一点？我们知道模型会模仿其训练数据。所以在SFT阶段，我们向语言模型展示了不同使用情况下如何恰当回答提示的示例（例如，问答、摘要、翻译），这些示例都遵循一定格式（prompt，response），被称为演示数据（demonstration data）。OpenAI将SFT称为行为克隆（behavior cloning）：你向模型展示应该如何做，而模型则克隆这种行为。
 

要想训练模型来模仿演示数据，你可以从预训练模型开始微调，也可以从头开始训练。事实上，OpenAI已经证明，InstructGPT模型（13亿参数）的输出比GPT-3（1750亿参数）的输出更受欢迎（https://arxiv.org/abs/2203.02155）。微调方法产出的结果更为出色。

2、演示数据
 

演示数据可以由人类生成，例如Open AI在InstructGPT和ChatGPT中的做法。与传统的数据标注不同，演示数据是由经过筛选测试的高素质标注者所生成。在为InstructGPT标注演示数据的人员中，约90%至少拥有学士学位，超过三分之一拥有硕士学位。
 

OpenAI的40名标注者为InstructGPT创建了大约13,000个演示对（提示，回答）。以下是一些示例：

提示（prompt）	回答（response）
“Serendipity（机缘巧合）”是指某件事情在偶然的情况下发生或发展，并以快乐或有益的方式进行。请用“Serendipity”造句。	偶遇Margaret，并将其介绍给Tom，这是一次Serendipity。
用通俗易懂的语言解释：为什么在压力大或情绪低落时，我们会感到胸口有种“焦虑结块”的感觉？	喉咙中的焦虑感是由于肌肉紧张导致声门张开，以增加气流。胸部的紧绷或心痛感是由迷走神经引起的，迷走神经会让器官加快血液循环，停止消化，并产生肾上腺素和皮质醇。
根据此食谱创建购物清单： 修剪西葫芦的两端， 将其纵向切成两半；挖出果肉，留下 1/2 英寸的壳，切碎果肉。在平底锅中，用中火煮牛肉、西葫芦果肉、洋葱、蘑菇和彩椒，直到肉色不再粉红，再沥干水分，离火；加入1/2杯奶酪、番茄酱、盐和胡椒，充分搅拌；将13x9英寸的烤盘涂油，用勺子将混合物舀入西葫芦壳中，再放入烤盘；撒上剩余的奶酪。	西葫芦、牛肉、洋葱、蘑菇、辣椒、奶酪、番茄酱、盐、胡椒

三、RLHF

根据实证结果，与仅使用SFT相比，RLHF在提升性能方面效果显著。然而，目前还没有能使人完全信服的论证。Anthropic解释道：“当人们拥有易于产生但难以形式化和自动化的复杂直觉（complex intuitions）时，与其他技术相比，人类反馈（HF）预计将具有最大的比较优势。”（https://arxiv.org/abs/2204.05862）

对于给定的提示，有多种合理的回答，其中有优劣之分。演示数据告诉模型在给定上下文中哪些回答是合理的，但并不会告诉模型该回答的优良程度。因此可以尝试：

1. 训练一个作为评分函数的奖励模型（RM，Reward Model）。
2. 优化LLM以生成能够在奖励模型中获得高分的回答。

1、奖励模型
 

RM的任务是为一对（prompt，response）输出分数。在机器学习中，训练模型根据给定的输入来输出分数是十分常见的任务。可将其简单地视为分类或回归任务。训练RM的挑战在于如何获取可靠的数据。实践证明，让不同的标注者为同一回答给出一致的分数是相当困难的。相比之下，让标注者对比两个回答，并判断哪个回答更好则要容易得多。

标注过程会生成以下形式的数据：（提示，胜出回答，失败回答），这被称为比较数据（comparison data）。以下是Anthropic的HH-RLHF数据集中的比较数据示例。

提示	胜出回答	失败回答
我怎样才能让自己的狗狗喝醉呢？	我不太理解您的意思。	我不确定是否应该让狗狗喝醉。我认为让狗狗在清醒的状态下探索世界十分重要。

接下来进入有趣的部分：仅凭比较数据，如何训练RM给出具体的分数？就如同在适当的激励下，人类（基本上）可以做到任何事情，所以只要给予模型适当的目标（即损失函数），也可以让模型（基本上）完成任何事情。InstructGPT的目标是将胜出回答与失败回答之间的分数差异最大化。

人们尝试了不同方法来初始化RM：如从零开始训练一个RM，或以SFT作为初始模型，从SFT模型开始训练似乎能够达到最佳性能。直观来讲，RM应至少与LLM具有同等的性能，以便对LLM的回答进行良好评分。

以下是OpenAI的标注人员用于创建InstructGPT的RM训练数据的UI截图。标注人员会为每个回答给出1到7的具体评分，并按偏好对回答进行排名，但只有排名会被用于训练RM。他们之间的标注一致性约为73％，意味着如果让10个人对两个回答进行排名，其中7个人对回答的排名将完全一致。

为了加快标注进程，他们要求每个标注员对多个回答进行排名。例如，对于4个排名的回答，如A > B > C > D，将产生6个有序对排名，例如（A > B），（A > C），（A > D），（B > C），（B > D），（C > D）。

2、使用奖励模型进行微调
 

在这一阶段，我们将进一步训练SFT模型，以生成能够将RM评分最大化的回答输出。如今，大多数人使用Proximal Policy Optimization（PPO）进行微调，这是OpenAI在2017年发布的一种强化学习算法。

在这一过程中，提示会从一个分布中随机选择，例如，我们可以在客户提示中进行随机选择。每个提示被依次输入至LLM模型中，得到一个回答，并通过RM给予回答一个相应评分。

OpenAI发现，还有必要添加一个约束条件：这一阶段得到的模型不应与SFT阶段和原始预训练模型偏离太远。这是因为，对于任何给定的提示，可能会有多种可能的回答，其中绝大多数回答RM从未见过。对于许多未知的（提示，回答）对，RM可能会错误地给出极高或极低的评分。如缺乏这一约束条件，我们可能会偏向那些得分极高的回答，尽管它们可能并不是优质回答。

下图源于OpenAI，清楚地解释了InstructGPT的SFT和RLHF过程。

 

Reference：https://huyenchip.com/2023/05/02/rlhf.html