跳到主要内容

模型训练与微调 - 定制你的专属模型

阅读需 6 分钟
wqz
现在的你位置

我们刚刚完成了 Layer 1: 基础理论，搞懂了模型在大脑里是怎么“思考”的。 现在进入 Layer 2: 实现层。我们要聊聊工程师最关心的问题：既然开源模型都这么强了，我还有必要自己训练吗？如果要有，怎么训才最省钱？

1. 核心决策：Prompt, RAG 还是 Fine-tuning?​

做 AI 应用时，这是第一个要做的架构决策。很多新手会陷入误区：觉得微调出来的模型一定比 Prompt 强。

其实它们解决的是完全不同的问题：

方法本质解决的问题缺点类比
Prompt Engineering提示词工程短期记忆。教模型理解你当下的任务。上下文有限，费 Token，每次都要重复教。给实习生写一张便签条，告诉他今天干什么。
RAG检索增强生成外挂知识库。给模型补充它不知道的私有数据。只能通过阅读理解回答，并没有改变模型的能力。给实习生一本公司手册，让他照着查。
Fine-tuning微调肌肉记忆/内化。改变模型内部的参数，让它获得新的技能或风格。成本高，需要高质量数据，可能导致灾难性遗忘。送实习生去培训班进修一个月。

✅ 什么时候必须微调？​

  1. 为了“格式”：你希望模型输出非常特殊的 JSON 结构，Prompt 总是出错，微调一下就老实了。
  2. 为了“风格”：你希望模型说话像“鲁迅”或者“马斯克”，Prompt 很难模仿到位，微调可以学会这种语气。
  3. 为了“能力”：比如让一个通用模型学会看懂“医疗心电图数据”或者“法律文书”，这是知识注入。
  4. 为了“缩减成本”：把一个 GPT-4 级别的 Prompt 效果，蒸馏到一个 7B 的小模型上，跑在本地。

2. 训练的三个阶段：从“读万卷书”到“懂人情世故”​

现在的 LLM（大语言模型）不是一次练成的，它经历了三个阶段：

第一阶段: Pre-training (预训练) - 获得“通识”​

  • 做什么：把互联网上几万亿的文字（Wiki, GitHub, 新闻）喂给它，让它做“完形填空”。
  • 状态：Base Model (基座模型)。
    • 它博学多才，但不懂交互。
    • 你问它：“怎么做番茄炒蛋？”
    • 它可能接着写：“...的做法是很多家庭的难题。番茄炒蛋的历史可以追溯到...” (它以为在续写百科全书)。

第二阶段: SFT (Supervised Fine-Tuning, 指令微调) - 学会“对话”​

  • 做什么：给它看高质量的问答对（Q&A）。
    • User: 把这句话翻译成英文。
    • Assistant: 好的，Here you go.
  • 状态：Chat Model (对话模型)。
    • 它终于听懂指令了，知道该怎么伺候人类了。
    • 我们常说的“Fine-tuning”通常指这一步。
对比一下 Prompt 和 Fine-tuning 的区别

Prompt (提示词):

你是一个资深的翻译官。请把下面这句话翻译成英文，要求信达雅：
"今天天气不错。"

Fine-tuning (微调后): 不需要复杂的 Prompt，直接给数据：

User: 翻译：今天天气不错。
Assistant: The weather is lovely today.

第三阶段: Alignment (RLHF / DPO, 对齐) - 树立“价值观”​

  • 做什么：让它知道什么回答是好的，什么是不好的（避免有害内容、偏见、暴力）。
  • 状态：Safe & Helpful Model。
    • 这是商业模型（如 ChatGPT）必不可少的一步。

3. LoRA: 穷人的法拉利 (Low-Rank Adaptation)​

全量微调（Full Fine-tuning）一个 70B 的模型，可能需要几十张 A100 显卡，成本极高。 因为你要更新模型里的所有参数。

微软提出的 LoRA 改变了游戏规则。它是目前最主流的微调技术。

3.1 核心直觉​

想象一个训练好的大模型是一块巨大的冰块（参数冻结，Fixed）。 我们要在上面雕刻新的花纹。

LoRA 说：别动那个大冰块！我们在旁边贴两张小贴纸（矩阵）这就好了。

它在原本的矩阵 WW 旁边，挂了两个极小的矩阵 AA 和 BB (Low-Rank Matrices)，只训练这两个小矩阵。

LoRA 公式

W′=W+ΔW=W+A×BW' = W + \Delta W = W + A \times B

  • WW：冻结的大模型权重（几百 GB）。
  • A,BA, B：我们训练的小插件（几百 MB）。
  • 训练时，只更新 AA 和 BB。
  • 推理时，把 A×BA \times B 加回 WW 里去，完全不增加推理延迟！

3.2 为什么 LoRA 伟大？​

  1. 省显存：原本需要 4 张卡，现在 1 张常用的 RTX 4090 都能跑。
  2. 可插拔：你可以训练一个“写作 LoRA”，一个“编程 LoRA”。用的时候像换皮肤一样挂载上去，主模型不用变。
  3. 效果好：效果几乎能达到全量微调的 95% 以上。

4. RLHF vs DPO: 怎么教 AI 懂礼貌？​

你可能听过 OpenAI 的 RLHF (Reinforcement Learning from Human Feedback)。它是 ChatGPT 成功的秘诀之一。

RLHF 的流程 (传统方法)​

  1. SFT 模型：先有个能说话的模型。
  2. Reward Model (奖励模型)：训练一个“裁判模型”。人类标注员给 AI 的回答打分（A 比 B 好），裁判学会模仿人类的口味。
  3. PPO 强化学习：让 AI 自己生成回答，裁判打分。如果分高，就奖励参数更新；分低就惩罚。

缺点：太难了！RL (强化学习) 极其不稳定，训练经常崩，且流程复杂。

新王登基: DPO (Direct Preference Optimization)​

2023 年出现的 DPO 正在取代 RLHF。 它的逻辑极简：不需要奖励模型，也不需要强化学习循环。

直接拿人类偏好数据（A 优于 B），用一个简单的分类损失函数去优化模型。 数学上证明了，它等价于 RLHF，但稳定得多，省资源得多。

💡 工程建议：如果你现在要自己做对齐，首选 DPO，别去碰 PPO。

5. 总结​

  1. 架构决策：先 Prompt，再 RAG，实在不行才 Fine-tuning。
  2. SFT (指令微调)：把“基座模型”变成“对话模型”的关键一步。
  3. LoRA：最实用的微调工具，轻量、高效、可插拔。
  4. DPO：取代 RLHF 的高效对齐手段。

掌握了如何训练模型，如果是把模型太大跑不动怎么办？ 这就涉及到了下一章的内容：如何把大象装进冰箱——模型量化与高效部署。

下一章: 模型优化与部署

分享这篇文章
Loading Comments...

目录

0%