前言今天看到了一个问题“为什么要做 rlhfsft 不够吗” 很多大佬都分享了自己做 rlhf 的一些经验和心得。收获蛮多的同时我留意到大佬们都在说 rlhf 有多重要怎么优化 rlhfrlhf 能带来多大的提升却并没有直面这个问题为什么非做 rlhf 不可呢或者说用 reward_model 清洗和制造 sft 数据能不能取代 rlhf 呢下面我分享一些自己的看法希望能和大家一起探讨。1、sft 无法提供负反馈sft 的训练过程是一个让模型学习条件概率的过程Prob( E | ABCD )。这也就是说模型在训练和学习过程中只知道 next_token 出什么是正确的而不知道 next_token 出什么是错误的。无论你的 sft 语料如何构造都无济于事模型不知道“什么 token 是不能生成的”。这也间接解释了另外一个现象为什么 sft 的数据多样性很重要。因为没办法 我们无法直接让模型知道错误的 token 是什么但只要我们把正确的 token 都喂给它学习孤立那个错误的 token似乎也能起到类似的效果。可以这么认为sft 一直在通过“孤立”来降低错误 token 的出现概率。非常像我研究生时期的一件趣事导师觉着我们中有人向他汇报敷衍就说“给大家留点面子我就不点名批评不认真汇报的同学了我表扬一下认真汇报的同学张三、李四、王五……”sft 缺乏负反馈机制引发的糟糕后果还远不止此。举个例子上学的时候我们最怕老师教我们什么最怕老师教我们“这道题有些同学容易犯这些错误”“这句古诗老有同学把这个字写成那个字”等等。明明我从来不会写错这道题但老师非要教我那好我也成功的记住了错误的答案。模型亦是如此你越是在 sft 阶段告诉它什么是错误的它越是容易提高错误 token 的概率。站在模型的角度来思考这个现象非常合理“训练者不断让我提高 Prob( E | ABCD ) 的概率那我举一反三顺带提高一下 Prob( E | ACD ) 的概率是不是也合理训练者是不是应该表扬我”可问题是好巧不巧B 这个 token恰好是“not”恰好是“不”。我做了一个实验去印证我举的例子在 qwen2-0.5B 模型上我用预训练阶段没见过的 special_token给模型在 sft 阶段注入了一些知识。训练语料reserved_1最喜欢的人是reserved_2预测语料reserved_1最讨厌的人是qwen2-0.5B 这个模型不辱使命成功的帮我续写出了 reserved_2。模型固然知道“喜欢”和“讨厌”是完全相反的两个语义但是奈何 reserved_2 这个 token 和 reserved_1 这个 token 太熟悉了。所以某种意义上transformer 结构的模型真的很“笨”。当我们被问及谁是生命中重要的人的时候我们脑海大概率会同时出现喜欢的人和厌恶的人但我们明确知道我想起来厌恶的人是因为我一定不能回答这个名字他在我 next_token_prediction 的时候是个负概率。但模型不知道啊它只知道这些 token 的 prob 很大我要选它们作为自己的 next_token而不会考虑之所以这个 token 概率大恰恰是因为训练者不希望续写出这个 token。这里问一个我曾经被问过的问题“一句绝对正确的话是不是可以放进 sft 训练语料中”我的观点是不应该因为一句绝对正确的话它可能有局部是不正确的这些局部错误的知识内容也会在 sft 的过程中被模型学到。这个问题属于开放问题欢迎大家提出更多看法和见解个人观点未必正确说回正题sft 没有负反馈但 rlhf 有啊。reward_model 就像是一个教官你敢续写出某个不能出的 token我就抽你抽到你不敢出这个 token 为止。当然续写出了好 token教官也会给瓶冰可乐。这可能也是为什么 rlhf 的最大应用方向是安全场景吧毕竟 sft 真的做不好安全。2、sft 不具有“向后看”的能力sft 的另一个不足就是它放大了 transformer 单向注意力结构的缺陷。在 sft 的训练过程中每一个 token 都只看得见前面的 token。还是那个经典例子“某湾不是中国的这个观点是严重错误的”。无论你用什么炼丹技巧来做 sftProb(中国 | 某湾不是) 的概率都是在增加的模型无法利用“后半个句子在否定前半句子”这个重要信息。那 rlhf 是怎么学习这句话呢首先这句话是正确的他会得到一个正向的 reward_model但这句话中的每个 token 又不是同等正确的。如果对 critic_model 进行可视化它大概率会在 reward 反向衰减传递的时候把最大的奖励赏赐给“错误 ”这个 token而“中国 ”这个 token 可能并不会得到很多的 reward。所以sft 在更新某个 token 的概率的时候是只参考前面信息的是一种局部的有偏的训练方法。但 rlhf 或者 dpo 并不是这样每一个 token 在更新概率的时候都是观察到了整个 sentence 的因而理论上rlhf 的训练方法能带来更高的训练上限。换一个角度来说sft 的 loss 是平均 loss rlhf 的 loss 是加权 loss。至于怎么加权去问 reward_model 和 critic_model。综上所述我个人认为除非 sft 的训练方式发生改变比如每个 token 的 loss不再是算术平均否则 rlhf 还是一个不可取代的环节。并不是 sft 不能和 reward_model 进行配合而是 sft 本身的局限性实在太大了。当下OpenAI 告诉我们 rlhf 是一种弥补 sft 局限性的方法而 Google 会不会在未来会提出更好的方案也说不定。最后的最后感谢你们的阅读和喜欢我收藏了很多技术干货可以共享给喜欢我文章的朋友们如果你肯花时间沉下心去学习它们一定能帮到你。因为这个行业不同于其他行业知识体系实在是过于庞大知识更新也非常快。作为一个普通人无法全部学完所以我们在提升技术的时候首先需要明确一个目标然后制定好完整的计划同时找到好的学习方法这样才能更快的提升自己。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】