大模型SFT经验

本文转载自https://zhuanlan.zhihu.com/p/809229182,作者ybq。 这篇文章介绍一下大模型的 sft 如何去做。相比较于上一篇文章介绍的 pretrain ,sft ...

大模型预训练经验

本文转载自https://zhuanlan.zhihu.com/p/718354385,作者ybq。 这篇文章介绍下如何从零到一进行 pretrain 工作。 类似的文章应该有很多,不同的地方 ...

反向 KL 散度与正向 KL 散度

给定两个分布 ,它们可能在相同的变量 上定义,但其分布形状各异。两者之间的距离可以通过 相对熵 (Relative Entropy) 来度量,其定义如下: 或者在连续情形下为: 其中: 1. 该指标 ...

百面大模型-9

什么是策略梯度? 首先从文本生成角度简单介绍一下强化学习: 因为状态-动作空间非常庞大,将强化学习应用于对话生成是一个巨大的挑战。在这种背景下,我们将人类交互视为“环境”。在每个时间步 ,代理(即AI ...

百面大模型-8

大模型PPO中的奖励是什么? 在强化学习的过程中,奖励通常只在序列结束时才会出现,其他中间步骤的奖励为 0,折扣因子为 1,为Reward Model输出的标量结果。 为了防止模型被 Reward M ...

百面大模型-7

DPO的损失函数是什么,第一步的loss为多少? DPO的损失函数通常设计为最大化策略模型(即正在训练的模型)对偏好数据(chosen)和非偏好数据(rejected)之间的预测差异。具体来说,损失函 ...

百面大模型-6

当前LLM的对齐过程通常分为SFT和RLHF两个阶段,我们是否有可能直接跳过SFT阶段而进入RLHF阶段? 可以。论文ORPO: Monolithic Preference Optimizatio ...

百面大模型-5

以LLaMA模型为例,计算一下参数量 首先,假设词表大小为 ,模型包含 层解码器,中间状态的维度大小为 ,前馈网络层的中间状态维度大小为 。我们主要关注计算以下几个部分的参数量: 输入嵌入层:首先 ...

百面大模型-4

1、Reward Model都有哪些训练形式? 奖励模型是通过在人类偏好数据上进行训练来设计的,旨在对模型的输出质量进行判别。该模型给出的分数能够在一定程度上反映人类的偏好。一般而言,奖励模型是基于 ...

百面大模型-3

大模型预训练中的通常用什么优化器? 在现有的工作中,大型语言模型的训练普遍采用Adam及其变体AdamW。Adam优化器利用梯度的“动量”来确定参数的更新方向,它通过计算历史更新步骤中梯度的加权平均 ...