📚 小猫都能懂的大模型原理
- 📍 小猫都能懂的大模型原理 5 - 后训练
本文旨在用简单易懂的语言解释大语言模型的基本原理，不会详细描述和解释其中的复杂数学和算法细节，希望各位小猫能有所收获 🐱
GPT 训练完后并不能直接与用户流畅地聊天，就像是一个只会背书、不擅长与人交往的 Nerd 🤓。你说啥呢，他就接着从他大脑里想到的都一股脑说出来，接在你后面，情商约等于 0。
chatGPT 之所以叫 chatGPT，是因为它在 GPT 的基础上做了 chat 的后训练。
SFT
对话的训练素材大概长下面这样：
通过特定的 Token 标记对话的格式，然后把这些经过审阅的对话喂给模型即可。
在喂对话前，还需要注意整理数据和调整超参数：
- 数据清洗、过滤（去除垃圾、泄密、违法内容）
- 样本平衡（不同任务/风格的比例）
- 学习率、训练步数等超参的控制，避免遗忘原有能力或过拟合
这个步骤也叫 SFT，全称 Supervised Fine-Tuning（监督式微调）。
Hugging Face 是一个找 AI 开源资源的好地方，这里也有对话训练集：https://huggingface.co/datasets/openchat/ultrachat-sharegpt
除了对话的 SFT，厂商可能还会进行工具调用（function calling / MCP）、多轮任务规划、搜索结果整合等子技能，这些微调对 AI Agent 的实现极为重要。
除了大模型出厂前的 SFT，厂商也提供出厂后微调的服务，当然你也可以自己微调开源模型。
举个例子：如果你原创了一门计算机语言，想训练一个专门帮你的新语言的助手，你可以在通用大模型的基础上，用大量的编程相关数据进行微调，这样模型就会更擅长写对应语言的代码、调试、解释代码等任务。
微调的好处是成本相对较低，不需要从头训练模型，就能在特定领域获得很好的效果。
RLHF
RL（强化学习）：智能体通过与环境“互动试错”，利用“奖励反馈”来学习如何做出能实现“长期利益最大化”的决策。
再下一步，来到 RLHF（Reinforcement Learning from Human Feedback），解决“模型会说话，但不一定合人类偏好”的问题，用人类偏好信号做强化学习，把模型往“更符合人类期望”的方向推，从而实现 Alignment（例如禁止黄赌毒啦，不要鼓励自杀啦，还有一系列 ZZZQ）。
先让人类对多条模型回答做偏好排序，训练一个奖励模型（Reward Model） 去拟合这种偏好；再用强化学习（常见是 PPO）让生成模型最大化奖励，这是很常见的一种通过模型强化另一个模型的方法。后面章节会讲到 路人皆知的 Deepseek R1，他的训练方式更是左脚踩右脚。
简单来说就是循环下面三个步骤：
- 自我生成： 原始模型生成一个回答。
- 裁判打分： 刚才训练好的“奖励模型”给这个回答打一个分数（Scalar Reward）。
- 参数更新： 如果分数高，算法（PPO）就会调整模型的参数，鼓励它以后多生成类似的回答；如果分数低，就抑制这种生成方式。
可能这时候就有小猫要问了，咋一句话的评分能影响到逐个 Token 生成的权重呢？Emmm，这个问题还是挺复杂的，但是知道像 PPO 这样的算法，会用这个总分来估算每一步动作的“好坏”（优势），从而对每个 token 的概率做梯度更新了。
来一个 RLHF 流程图方便各位小猫理解：
另外，现在也有一批“不要 RL 的 RLHF 替代品”，比如 DPO、IPO、ORPO 等，它们直接用人类偏好数据来训练，不再显式训练奖励模型和跑 PPO，但目标还是一样：让模型更符合人类喜欢的回答方式。
Reasoning
实现 Reasoning 的方式应该很多，例如与 RLHF 类似，你可以鼓励模型尽量使用逐步解题的方式回答问题，并把解题步骤放在 <think> 标签里，答案放在 <answer> 标签里，那它就可以学会逐步解题。
Deepseek 论文提到，通过一个叫 GRPO 的训练策略，通过一些固定的判断逻辑对输出结果进行评分。结果对就加分，格式对也加分，然后同一个 prompt 生成多个回答，奖励平均分以上的回答，这样就不需要额外训练一个奖励模型，只要设计好规则化奖励函数即可，节省掉传统 RLHF 里的花费高昂的奖励模型。
通过不断循环上述过程进行训练，模型会自发地让思考过程变长，为什么呢，因为经过长思考得到正确答案的概率更大，毕竟思考越长，它自己得到的信息就越多。最后，模型会自动产生“等等，我似乎错了”之类的惊喜时刻，这是属于 Reasoning 的“涌现”。
下一章将会介绍更多大模型优化策略，敬请期待 🐱