上图来自 Andrej Karpathy，深度学习的大拿，目前在Tesla。这张图的信息量相当大，通过该图能让我们对大模型的整个训练过程有一个总体的了解。
从该图可知大模型训练主要有4步：
Pretraining — 预训练阶段 Supervised Finetuning（SFT） — 监督微调，也叫指令微调阶段 Reward Modeling — 奖励模型训练阶段 Reinforcement Learning（RL）— 增强学习微调阶段
下面分别就这四个阶段进行说明。
预训练阶段
这个阶段的产出物是基础模型（base model），基础模型通常不会被直接使用，因为它只能完成续写，无法完成特定的任务。比如你问它中国的首都是？它可能会输出一系列的选项，如：a) 上海，b）北京，c）巴黎 ……，因为训练语料可能就包括了这样的选择题。
这个阶段是最消耗算力的阶段， 基本上99%的算力用在这个阶段，主要因为这个阶段训练的数据量巨大，最近发布的大模型训练数据基本都达到了2T~3T的token。这些语料形式多样，包括网络内容、论文、代码，再加上多语种，目前国内开源大模型的训练语料一般是中英双语。根据MPT公开的资料，训练一个MPT-7B Base基础模型动用了440张A100共训练了9.5天，对应的成本达到20w刀。
为了让大模型能具备特定的能力，如对话，就必须对大模型进行微调，那么就进入到下一个阶段：监督微调或叫指令微调。
指令微调阶段
这个阶段的难点不再是对算力的高要求，转而对微调所需的语料质量有非常高的要求，对语料的总体要求是少而精，如上图所示问答对(prompt和答案)的数量一般在10K~100K，这些语料通常是人工编写的，也有利用chat-gpt这种超牛大模型输出问答语料，目前网上也能找到比较丰富的开源的指令微调语料。以MPT-7B-Chat模型为例，该chat模型是基于MPT-7B Base基础模型微调出来，微调的语料包括：ShareGPT-Vicuna, HC3, Alpaca, Helpful and Harmless, 及Evol-Instruct这些开源语料。对于一个chat模型来说，它应该能回答用户的提问或根据用户的指令进行输出，所以语料中包括了各种问答对、指令集等内容，例如Alpaca的语料形式如下：
{
"instruction": "Create a classification task by clustering the given list of items.",
"input": "Apples, oranges, bananas, strawberries, pineapples",
"output": "Class 1: Apples, Oranges\nClass 2: Bananas, Strawberries\nClass 3: Pineapples",
"text": "Below is an instruction that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.\n\n### Instruction:\nCreate a classification task by clustering the given list of items.\n\n### Input:\nApples, oranges, bananas, strawberries, pineapples\n\n### Response:\nClass 1: Apples, Oranges\nClass 2: Bananas, Strawberries\nClass 3: Pineapples",
}
“text”部分是一个prompt模板，将instruction, input及output进行格式化。该prompt作为微调语料，微调后的模型就能接受这样的prompt格式，完成用户的指令，比如将以下prompt喂给微调后的chat模型：
Below is an instruction that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.
### Instruction:
sort the the given numbers
### Input:
20, 19, 33, 1
### Response:
模型会输出：1, 19, 20, 33。
这个阶段完成后其实已经能获得一个可以上线的大模型了（SFT模型）！对于那些需要私有化部署并只要求大模型完成特定任务的场景，指令微调出来的大模型已经完全满足要求。比如nl2sql的场景。
后面两个阶段的主要目的是让大模型有更好的表现，并且与人类喜好、意识形态进行对齐（有用、诚实和无害）。目前比较主流的技术就是RLHF（reinforcement learning from human feedback）— 也就是后面两个阶段的工作。一般企业内部私有化部署的大模型很少会去做RLHF。首先，RLHF很难，需要人工对模型的输出进行打标，成本太高。其次，没有这个必要，对于那些nl2sql，增强分析，RAG等场景基本不涉及“政治正确”这个维度。当然，对于通用大模型或各种客服类的模型与人类价值观对齐还是必须的。
奖励模型训练阶段
这个阶段会输出一个奖励模型（RM模型），该模型不直接用于业务场景，RM模型的作用是对SFT的输出进行打分—根据人类的习惯进行排序。这么做有什么意义呢？举例来说，你可以要求大模型生成一份营销文案，但这个文案是否满足你的要求，写得是否足够好是一件很难量化的事情。然而，如果拿三份文案来让你挑选，那么你通过横向比较，很容易就能选出最好的那篇。
如何训练出RM模型？这个阶段也涉及到大量的人工作业，主要是对SFT模型的输出进行排序。具体来说就是用同一个prompt从SFT模型获取多个输出，然后人工对这些输出进行排序。从上图可知，这个工作量相当大，需要准备100K~1M条待比较数据并且对数据质量的要求很高，要知道这些记录都需要人工进行比较排序，每组比较往往需要不同人来打标进行交叉比对。
有了这些排序后的数据就可以训练出一个RM模型，RM模型接受SFT模型的输出并给出一个奖励分值，SFT模型的输出越符合人类的价值观则RM模型输出的奖励分值越高，反之则越低。举个例子，向SFT模型输入prompt：“狗是人类的？”，SFT模型给出两个输出：
人类的朋友 毛茸茸的猛犸象
将prompt和以上两个输出喂给RM模型，RM会给第一个输出高分，给第二个输出很低的分数。
增强学习微调阶段
有了RM模型就能通过增强学习（RL）来微调模型，以实现大模型同人类偏好对齐。这个阶段依旧需要不少人工作业。如上图所示，需要编写10K~100K条prompts并且对质量的要求很高。RL微调阶段的主要目标是获取最高的奖励分值。整个微调过程大致如下：
将准备好的prompt分别喂给SFT模型和RL微调中的模型，并分别获取输出y1和y2。注意，这里还是会用到SFT模型，具体原因会在下面给出 将y2输入至RM模型获取奖励分值r，这个分值越高代表模型对齐效果越好 将y1与y2计算散度k，例如KL divergence，这个值的作用类似regularization，y1与y2的散度越高，说明RL微调模型与SFT模型这两者表现的偏离越大，也表示RL微调模型为了获取更高的奖励分数出现了过拟合 以（r-λk）作为奖励函数，通过更新RL微调模型的参数最大化奖励分值。
总结
以上4个阶段构成了完整的GPT模型训练的pipeline，从中可以看出训练大模型是一个非常艰巨的任务，例如对庞大算力资源的要求、对高质量语料数据的要求。另外，在训练大模型的时候一般需要基于一些优化框架，如DeepSpeed，这些工程化方面的任务也有不少坑。因此，对于一般的企业而言通常不建议自己训练基础大模型，如果必须进行私有化部署，可以根据实际情况选择一款开源大模型，如有必要可基于开源大模型进行微调，通过这个途径可以用比较少的投入来高效地落地大模型应用。
