相信很多大家對Post-Training有多重要？AI2研究員長文詳解前沿模型的后訓(xùn)練秘籍還不知道吧，今天菲菲就帶你們一起去了解一下~.~！

越來越多研究發(fā)現(xiàn)，后訓(xùn)練對模型性能同樣重要。Allen AI的機器學(xué)習(xí)研究員Nathan Lambert最近發(fā)表了一篇技術(shù)博文，總結(jié)了科技巨頭們所使用的模型后訓(xùn)練配方。

隨著LLM學(xué)界和工業(yè)界日新月異的發(fā)展，不僅預(yù)訓(xùn)練所用的算力和數(shù)據(jù)正在瘋狂內(nèi)卷，后訓(xùn)練（post-training）的對齊和微調(diào)方法也在不斷更新。

InstructGPT、WebGPT等較早發(fā)布的模型使用標(biāo)準(zhǔn)RLHF方法，其中的數(shù)據(jù)管理風(fēng)格和規(guī)模似乎已經(jīng)過時。

最近幾個月來，Meta、谷歌和英偉達(dá)等AI巨頭紛紛發(fā)布開源模型，附帶發(fā)布詳盡的論文或報告，包括Llama3.1、Nemotron340B、Gemma2，以及Apple Intellegence的基礎(chǔ)模型報告。

從這些披露的信息中，我們可以看到后訓(xùn)練方法的一些前沿變化趨勢。Allen AI研究科學(xué)家Nathan Lambert最近就這個話題發(fā)布了一篇文章。

原文地址:https://www.interconnects.ai/p/frontier-model-post-training

Nathan Lambert博士畢業(yè)于UC伯克利，曾在HuggingFace領(lǐng)導(dǎo)RLHF團(tuán)隊，目前是Allen AI的機器學(xué)習(xí)研究員。

他在文章中指出，合成數(shù)據(jù)、迭代訓(xùn)練、人類偏好標(biāo)簽和大量過濾，是這些模型所用后訓(xùn)練方法的共同特點。具體來說，新的后訓(xùn)練配方建立在以下預(yù)設(shè)的基礎(chǔ)上:

- 合成數(shù)據(jù)的質(zhì)量可能高于人類數(shù)據(jù)，特別是對于具有挑戰(zhàn)性的任務(wù)

- RLHF可以比指令微調(diào)擴展到更大規(guī)模

- 需要多輪訓(xùn)練和生成才能得到最佳模型

- 數(shù)據(jù)過濾是訓(xùn)練中最重要的部分

這些假設(shè)在很大程度上相互交織，構(gòu)成了可以擴展到大型團(tuán)隊的訓(xùn)練方案，非常適用于科技巨頭。文章的具體內(nèi)容對以上四點分別做出了詳細(xì)闡釋。

新的標(biāo)準(zhǔn)Pipeline

如果我們認(rèn)為ChatBot Arena分?jǐn)?shù)衡量了模型的后訓(xùn)練表現(xiàn)，這就很大程度上與風(fēng)格和魯棒性相關(guān)，幾乎所有的主要實驗室都通過迭代訓(xùn)練獲得了顯著收益。

我們還沒有看到Gemini2或GPT-5發(fā)布，它們也許會重置目前的后訓(xùn)練范式，并有可能解鎖我們對模型更深層次的控制能力。

但從目前來看，各個頂級實驗室所用的方法明顯趨同，這種趨勢比預(yù)期中要清晰得多。

最初的RLHF管道的重點是人類數(shù)據(jù)，主要有兩種形式:1）用于對專門任務(wù)進(jìn)行指令微調(diào)的人類數(shù)據(jù);2)有關(guān)任務(wù)完成度的人類偏好數(shù)據(jù)。

這類微調(diào)數(shù)據(jù)集成本高昂且被嚴(yán)格保護(hù)，據(jù)我所知，唯一的公開的應(yīng)該只有Lambert在HuggingFace團(tuán)隊時發(fā)布的No Robots。

倉庫地址:https://huggingface.co/datasets/HuggingFaceH4/no_robots

人類偏好數(shù)據(jù)很大程度上與特定模型的改進(jìn)有關(guān)。但即使在數(shù)據(jù)可以開放的情況下，也不能確定可以將一個模型的偏好遷移至另一個模型。

Lambert在HuggingFace時曾和團(tuán)隊做過類似的嘗試，但在小型付費數(shù)據(jù)合同上失敗了。

現(xiàn)在，唯一用到人類數(shù)據(jù)的方面就是偏好數(shù)據(jù)。從Llama2披露的數(shù)據(jù)和其他傳聞來看，Meta可能在偏好數(shù)據(jù)上花費了10M-20M美元，甚至更多。這還僅限于最終發(fā)布的模型，不包括更廣泛的實驗和評估。

Nemotron則使用大量合成數(shù)據(jù)來替代人類數(shù)據(jù)，但相對而言，這個模型的微調(diào)并不那么出色。

對開放社區(qū)而言，有一個迫在眉睫的挑戰(zhàn)，但同時也是機遇:弄清這類數(shù)據(jù)中的人為干預(yù)的程度，能否用LLM-as-a-Judge或獎勵模型等方法代替。

Llama3的對齊負(fù)責(zé)人Thomas Scialom在播客節(jié)目Latent Space上曾說道:

他還表示，自己會將「100%的對齊數(shù)據(jù)預(yù)算用于RL階段所需的對齊數(shù)據(jù)，而不是在指令上花費更多時間?！?/p>

開源的對齊工作中大多專注于擴展指令微調(diào)（IFT，或稱為 SFT）。IFT容易操作、適用于多種任務(wù)，而且方便與合成數(shù)據(jù)共同使用。

但很明顯，產(chǎn)業(yè)界僅將IFT作為擴展RLHF的起點。SFT數(shù)據(jù)主要關(guān)注以前模型未能覆蓋的特定領(lǐng)域，然后在此基礎(chǔ)上擴展RLHF。

RLHF是一個迭代過程，模型的生成過程可以讓它繼續(xù)改進(jìn)。Llama2和 Nemotron論文中詳細(xì)介紹了5輪訓(xùn)練，但我們不知道這個數(shù)字是否有上限。

Llama3.1進(jìn)行了6輪偏好數(shù)據(jù)的訓(xùn)練，Llama2是5輪，Nemotron是4輪，之前還有多輪指令微調(diào)。

對于人類偏好數(shù)據(jù)而言，進(jìn)行多輪迭代可能主要出于可行性方面的考量:

1. 數(shù)據(jù)從注釋公司分批傳送到實驗室

2. 進(jìn)行多輪小規(guī)模的訓(xùn)練可以降低最終產(chǎn)品交付的風(fēng)險。與其等待所有數(shù)據(jù)到位后才開始訓(xùn)練，不如讓模型逐漸步入正軌

這類現(xiàn)實因素看起來無關(guān)緊要，但往往會觸發(fā)某種行業(yè)規(guī)范。

下面這張圖片來自Llama2論文，記錄了5輪拒絕采樣和PPO相關(guān)的數(shù)據(jù)。

Nemotron還進(jìn)行了2輪SFT微調(diào)和4輪對齊。其中，RPO是用DPO優(yōu)化器加權(quán)的獎勵模型。

類似的迭代RLHF方法可以追溯到Anthropic提出的「憲法人工智能」，但開源社區(qū)似乎沒有大規(guī)模復(fù)現(xiàn)這個結(jié)果。

目前，學(xué)術(shù)界正在關(guān)注「在線DPO訓(xùn)練」，這在方向上是相似的，但對各輪之間數(shù)據(jù)沒有那么關(guān)注。這種方法目前仍需要大量手動操作，但一旦實現(xiàn)流程自動化，在線DPO將成為未來。

事實上，各個團(tuán)隊對后訓(xùn)練階段的算法選擇不應(yīng)該如此一成不變。DPO和PPO各有優(yōu)劣，前者更容易擴展，但PPO啟發(fā)的方法（如在線RL）具有更高的性能上限。

目前這些方案主要出于簡潔性考量，因為這些團(tuán)隊仍然相對較新并且正在構(gòu)建模塊化系統(tǒng)，Llama3后訓(xùn)練團(tuán)隊中一名成員的說法也證實了這種具備工程簡潔性的方法。

這種新的RLHF循環(huán)中，很重要的一環(huán)是在大多數(shù)任務(wù)上超越人類能力的合成指令數(shù)據(jù)。

如果可以讓模型有一點點提升、生成更好的指令，那就「重新開始」，更新檢查點。

Meta在論文中明確表示，他們「使用405B模型來提高我們較小模型的后訓(xùn)練質(zhì)量」;谷歌通過蒸餾出Gemini Flash來做到這一點，但實際上大多數(shù)前沿模型可能都包含一些類似步驟。

我聽說OpenAI正在使用50萬億token的數(shù)據(jù)訓(xùn)練下一代模型，其中大部分為合成數(shù)據(jù)。去年有一個傳言，Anthropic擁有「預(yù)訓(xùn)練規(guī)模的憲法AI語料庫」，現(xiàn)在看來這也很合理。

這些AI公司意識到合成數(shù)據(jù)的重要性應(yīng)該是在12～18個月之前，當(dāng)他們不再使用模型輸出進(jìn)行自我迭代訓(xùn)練的時候。但Meta不一樣，因為受益于其他更好的開放模型。

看看當(dāng)今的后訓(xùn)練就可以清楚知道，合成數(shù)據(jù)造成模型崩潰的問題被過分夸大了。只有在人為設(shè)置的環(huán)境中，丟棄原始數(shù)據(jù)、只留下生成的新數(shù)據(jù)時，才會發(fā)生模型崩潰。

Llama3.1報告的大部分內(nèi)容都是關(guān)于數(shù)據(jù)管理的細(xì)節(jié)，其中每個相關(guān)的子領(lǐng)域都需要廣泛而具體的管理說明。

這與我所知的OpenAI John Schulman領(lǐng)導(dǎo)的后訓(xùn)練團(tuán)隊以及其他類似團(tuán)隊的工作情況相符——指定一個特定領(lǐng)域，獲得相關(guān)數(shù)據(jù)，然后模型就會變得更好。

但如果沒有大量的數(shù)據(jù)過濾和管理，上述的RLHF方法都不起作用。

在Allen AI，我們在后訓(xùn)練流程中開始更加優(yōu)先考慮數(shù)據(jù)，可以立即感受到模型提升速度的變化。

案例分析——Nemotron和Llama

Llama的后訓(xùn)練流程如下:

Nemotron的這張圖比較簡略:

綜合起來可以看到大多數(shù)方法的共同點。

但下面這張圖表，以及大多數(shù)行業(yè)研究論文都忽視了數(shù)據(jù)。

Llama3.1等模型到報告中有提及了很多細(xì)節(jié)，比如正則化、對損失函數(shù)的調(diào)整、模型平均等等，但這些都是模型性能的邊際收益，很大程度上超出了核心微調(diào)循環(huán)的范圍。

到了一定的時間節(jié)點，這些細(xì)節(jié)都會變得微不足道。

參考資料:

https://www.interconnects.ai/p/frontier-model-post-training

以上就是關(guān)于【Post-Training有多重要？AI2研究員長文詳解前沿模型的后訓(xùn)練秘籍】的相關(guān)內(nèi)容，希望對大家有幫助！

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！