LLM中的微调演变

微调演变

首先是任务驱动了微调的发展，GPT1和BERT遵循经典的预训练+微调范式，到GPT3时期，预训练任务表现为句子接龙，给定前文持续预测下一个word，当模型参数规模和训练数据增大后，GPT3面对few shot甚至是zero shot任务的表现都超越了原本的SOTA方法。

下面是几个关于zero shot，few shot，经典微调的例子（以机器翻译问题为例）：

• 右侧是经典微调示例，预训练的模型通过特定任务数据集进行微调训练，其中会涉及梯度更新（gradient update），训练至收敛后的模型才具备良好的翻译能力。左侧是GPT3在零样本（只给出任务描述，task description），单样本（给出任务描述+一个样本），少样本（任务描述+少量样本）的情况下的工作流程。

不管是零样本，还是少样本，都没有要求更新参数，这也引发了In context learning的研究。

零样本或少样本任务看似美好，但却受task description和prompt有很大影响，因此，FLAN（Finetuned Language Models Are Zero-Shot Learners）重新利用微调，弱化task description和prompt的影响，发挥作用的就是指令微调（Instruction Fine-Tuning，IFT）。IFT数据由三个主要组成部分组成：指令、输入和输出，对于给定的指令（指令可以由人工编写），可以有多个输入和输出实例：

相比于GPT-3和经典finetune范式，FLAN的核心思想是：

• 当面对给定的任务A时，首先将模型在大量的其他不同类型的任务比如B、C、D上进行微调，微调的方式是将任务的指令与输入输出进行拼接（可以理解为一种新的prompt），有监督指令微调（Supervised Instruction Fine-Tuning，SIFT）后，给出任务A的指令和输入，直接进行推断。

这样做可以实现：当模型根据"指令"完成了微调阶段的各种任务后（将指令拼接在微调数据的前面），在面对从未见过的自然语言推理任务的指令比如"这段话能从假设中推导出来吗"时，就能更好地调动出已有的知识回答问题，其相当于通过指令微调之后，模型可以更好的做之前训练时没见过的新任务且降低了对prompt的敏感度（不需要再设计特定prompt也能激发模型更好地回答自然语言问题）。

为了让LLM具备更强的推理能力，在prompt learning的发展中出现了思维链（Chain-of-thought，CoT）。这是一种新的prompt机制，其本质是给模型看到推理步骤的prompt，让其模仿推理，从而求解简单的问题。

• 左边为标准的1-shot prompt，右边为加入CoT的1-shot prompt。注意，CoT和IFT并不冲突，CoT是在数据层面增加额外的句子，IFT则是在任务层面加上指令。

此后，CoT技术被应用到0-shot和few-shot任务中，并且在21年引出了"let’s think step by step"的新闻：

InstructGPT的训练

• 其中，labeler为人工，即human。SFT，RM，PPO都是GPT3模型，但因为不同的训练方式，使其参数不同。

InstructGPT的训练包括3个阶段：

step 1，利用人类的问答对数据对GPT3进行有监督训练得到SFT模型，OpenAI设计了一个prompt dataset，里面有大量的提示样本，prompt为各种各样的问题描述，然后，找了一个团队对这个prompt dataset进行标注（本质就是人工回答问题，给每个prompt一个答案）。最终得到大小为13k的数据集，其中都是"问题-答案pair"，用这个数据集有监督微调GPT3，得到SFT模型，其大小为175B。

step 2，用上一阶段的SFT模型初始化新的GPT3，叫做RM模型，继续从prompt dataset中采样prompt，注意这里是不需要step 1中的label的，具体做法上不止prompt dataset，还会扩展一些新的问题，只要问题即可。然后由SFT生成多个答案，比如4个。至于如何得到多个答案，原因在于模型每次预测一个词都有对应的概率，根据不同的概率大小可以采样出很多答案，比如通过beam search保留4个当前最优的答案（beam search相当于贪心算法的加强版，除了最好的答案外，还会保留多个比较好的答案供选择）。

接着人工（即labeler）对这4个回答的好坏进行排序（得到新的标注），排序的结果用来训练奖励模型RM，目的是学习排序结果从而理解人类的偏好。训练RM是有监督的，扩充问题并包括排序标注后的数据集大小为33k。

step 3，利用SFT模型初始化GPT3得到名称为PPO的模型，并新建一个大小为31k的只有问题的数据集，此时用PPO模型对每个问题生成4个答案，然后用RM模型进行排序（这里注意，排序结果对应一个得分，令ABCD为4个答案，比如D=C=A=B的得分是最高的，大于D>C>A>B，这个得分被称为奖励）。

通过不断更大化奖励从而优化生成策略（生成策略也就是PPO模型，生成策略更好，代表模型的回答会更好，得到的多个答案都符合人类偏好），策略优化的过程中使用PPO算法限制策略更新范围。根据优化后的策略再次生成→RM再评估→模型再优化后再生成，如此循环，直到策略最优为止。

---

PPO策略的目的是确保优化后的策略与优化前的策略差距不会太大，也就是让优化前后的回答差异不会太偏离，不至于step 3训练发散。

综上，step 1是SFT（有监督微调），step 2和step 3被称为RLHF，即具有人类反馈的强化学习。

---

上面的策略可以让GPT在单轮对话上具有出色的表现，对于多轮对话，则存在某一轮对话中的词指向上一轮对话中的某个人或物的可能，简单的解决方案是：

• 在回答用户问题的过程中，每段对话都是一个序列，把之前的对话内容（需要对历史对话数据的规模做个限制，比如限制在8k大小，比如GPT4可以处理的上下文大小最高可达32k）都保存下来，和当前的输入一起作为新的输入给模型；得益于Transformer的自注意力机制，使得模型能够理解不同对话历史之间的依赖关系，并在生成回答时考虑到之前的对话历史，此外，模型还使用位置编码来区分每个对话历史的位置，确保模型可以正确地捕捉到对话历史的顺序信息。

参考：https://blog.csdn.net/v_JULY_v/article/details/128579457