大模型訓(xùn)練流程及 SFT、RLHF 作用簡述
一、大模型訓(xùn)練流程：從預(yù)訓(xùn)練到對齊的三階閉環(huán)
1.1 預(yù)訓(xùn)練階段
基于海量無標(biāo)注數(shù)據(jù)（如互聯(lián)網(wǎng)文本、多模態(tài)數(shù)據(jù)）進行自監(jiān)督學(xué)習(xí)，通過語言建模（LM）、對比學(xué)習(xí)等任務(wù)建立通用表征能力。典型參數(shù)規(guī)模為千億至萬億級別，需千卡級 GPU 集群訓(xùn)練數(shù)月。
1.2 監(jiān)督微調(diào)（SFT）階段
使用標(biāo)注數(shù)據(jù)（如領(lǐng)域問答、指令遵循）調(diào)整模型參數(shù)，使其適配下游任務(wù)。SFT 階段僅需 0.1%-1% 的預(yù)訓(xùn)練數(shù)據(jù)量即可顯著提升特定任務(wù)性能。
1.3 強化學(xué)習(xí)對齊（RLHF）階段
通過人類偏好數(shù)據(jù)訓(xùn)練獎勵模型（Reward Model），指導(dǎo)大模型生成符合倫理和安全規(guī)范的內(nèi)容。此階段可將有害輸出率降低 54%-78%。
二、SFT 與 RLHF 的核心作用
2.1 監(jiān)督微調(diào)（SFT）的雙向價值
- 任務(wù)適配：通過領(lǐng)域數(shù)據(jù)訓(xùn)練，使模型從 “通用知識理解” 轉(zhuǎn)向 “特定任務(wù)執(zhí)行”。例如在醫(yī)療問答中，SFT 可將模型準確率從通用場景的 75% 提升至專業(yè)領(lǐng)域的 88%。
- 效率優(yōu)化：僅需少量標(biāo)注數(shù)據(jù)（預(yù)訓(xùn)練數(shù)據(jù)量的 0.1%-1%）即可實現(xiàn)性能提升，避免從頭訓(xùn)練的海量資源消耗。
2.2 強化學(xué)習(xí)對齊（RLHF）的三層優(yōu)化
- 倫理控制：通過人類偏好數(shù)據(jù)訓(xùn)練獎勵模型，將有害輸出率降低 54%-78%，確保模型輸出符合社會規(guī)范3。
- 偏好對齊：解決 SFT 的 “目標(biāo) mismatch” 問題 ——SFT 僅學(xué)習(xí) “正確回答” 的概率分布，而 RLHF 能讓模型理解 “人類偏好的回答”（如口語化表達 vs 學(xué)術(shù)化表達）。
- 動態(tài)進化：通過持續(xù)收集用戶反饋，RLHF 可迭代優(yōu)化模型策略，例如在客服場景中，模型可根據(jù)用戶滿意度反饋自動調(diào)整回答風(fēng)格。
三、關(guān)鍵技術(shù)對比
環(huán)節(jié) | 核心目標(biāo) | 技術(shù)特點 | 面試高頻考點 |
預(yù)訓(xùn)練 | 構(gòu)建通用語義表征 | 自監(jiān)督學(xué)習(xí)、萬億級數(shù)據(jù)訓(xùn)練 | 分布式訓(xùn)練架構(gòu)、數(shù)據(jù)清洗策略 |
SFT | 適配具體任務(wù) | 小樣本高效微調(diào)、領(lǐng)域知識注入 | LoRA 等參數(shù)高效微調(diào)技術(shù) |
RLHF | 對齊人類價值觀 | 獎勵模型訓(xùn)練、PPO 等強化算法 | 偏好數(shù)據(jù)收集方法、KL 正則項作用 |
問題：“SFT 為何不能替代 RLHF？”
SFT 是 token 級學(xué)習(xí)，無法解決 “價值觀對齊” 和 “用戶隱性偏好捕捉” 問題，而 RLHF 通過人類反饋機制填補了這一空白。
本文轉(zhuǎn)載自???????鴻煊的學(xué)習(xí)筆記???????，作者：乘風(fēng)破浪jxj
