05-FreeRTOS的内存管理
2025/12/17 22:44:03
在大语言模型（LLM, Large Language Model）的训练和对齐流程中，CPT、SFT、DPO是三个关键阶段的缩写，分别代表：
1.CPT：Continued Pre-Training（继续预训练）
有时也称为Domain-specific Pre-Training或Post-Pretraining
✅ 目的：
在通用预训练（如 LLaMA、Qwen 的原始训练）之后，用特定领域或高质量语料继续训练模型，使其掌握更专业、更新或更符合目标场景的知识。
🔧 做什么？
- 输入：大量无标注文本（如医学论文、代码、金融报告、中文百科等）
- 方法：依然使用自回归语言建模目标（即预测下一个词，损失函数为交叉熵）
- 模型结构不变，继续训练 Transformer 的所有参数
🌰 举例：
- 用 GitHub 代码继续训练 → 得到更强的代码生成能力（如 CodeLLaMA）
- 用中文书籍/网页继续训练 → 提升中文理解（如 Chinese-LLaMA）
- 用最新新闻数据训练 → 更新模型知识截止日期
⚠️ 注意：
- CPT 不涉及指令（instruction）或人类偏好
- 输出仍是“通用语言模型”，不会自动遵循指令
2.SFT：Supervised Fine-Tuning（监督微调）
也叫Instruction Tuning（指令微调）
✅ 目的：
教会模型理解和遵循人类指令，将“通用语言模型”转变为“有用助手”。
🔧 做什么？
- 输入：人工编写的 (指令, 回答) 对，例如：
{"instruction":"解释牛顿第一定律","output":"牛顿第一定律指出：任何物体都要保持匀速直线运动或静止状态，直到外力迫使它改变运动状态为止。"} - 方法：以监督学习方式微调模型，最小化生成回答与标准答案的交叉熵损失
- 通常只微调部分参数（如全参数微调、LoRA）
🌰 效果：
- 模型学会格式化输出、多轮对话、任务分解等
- 但可能仍会生成不真实、有害或冗长的回答（因为 SFT 数据有限，且未建模人类偏好）
3.DPO：Direct Preference Optimization（直接偏好优化）
一种替代 RLHF（基于强化学习的人类反馈）的对齐方法
✅ 目的：
让模型输出更符合人类偏好的回答（如有帮助、诚实、无害），而不仅仅是模仿 SFT 数据。
🔧 做什么？
- 输入：偏好数据集，每条包含：
- 一个 prompt
- 两个模型生成的回答：chosen（优选）vsrejected（次选）
- 由人类标注哪个更好
- 方法：不使用强化学习，而是通过一个巧妙的损失函数直接优化策略模型，使其更倾向于生成 “chosen” 回答
📐 DPO 核心思想（简化）：
如果人类认为回答 A 比 B 好，那么模型对 A 的 log-probability 应该显著高于 B。
✅ DPO 优势（vs RLHF）：
| 项目 | RLHF | DPO |
|---|---|---|
| 是否需要奖励模型（RM） | ✅ 需要先训练 RM | ❌ 不需要 |
| 是否使用强化学习（PPO） | ✅ 是，复杂不稳定 | ❌ 否，纯监督式训练 |
| 实现难度 | 高 | 低 |
| 训练稳定性 | 较差 | 更好 |
✅ 总结对比表
| 阶段 | 全称 | 输入数据 | 目标 | 是否需要标注 |
|---|---|---|---|---|
| CPT | Continued Pre-Training | 大量无标签文本 | 扩展知识/领域适应 | ❌ 无监督 |
| SFT | Supervised Fine-Tuning | (指令, 回答) 对 | 学会遵循指令 | ✅ 人工编写 |
| DPO | Direct Preference Optimization | (prompt, chosen, rejected) | 对齐人类偏好 | ✅ 人工偏好标注 |
💡 补充说明
- RLHF（Reinforcement Learning from Human Feedback）是 DPO 之前的主流对齐方法，包含两步：
- 用偏好数据训练奖励模型（Reward Model, RM）
- 用 PPO 算法优化语言模型以最大化 RM 奖励
- DPO 是 RLHF 的“简化替代方案”，效果相当甚至更好，已成为当前主流（如 Llama-3、Qwen2 等都采用 DPO）
大模型训练，典型的流程就是：
CPT → SFT → DPO，逐步从“知识丰富”到“听话”再到“靠谱”。