DeepSeek V3/ R1火爆全网，基于原始模型的解决方案和API服务已随处可见，陷入低价和免费内卷。
如何站在巨人肩膀上，通过后训练（post-training）结合专业领域数据，低成本打造高质量私有模型，提升业务竞争力与价值？已收获近4万GitHub Star的Colossal-AI，发布开源大模型后训练工具箱，包含
DeepSeek V3/ R1 满血671B LoRA低成本SFT微调 完整的强化学习工具链 PPO，GRPO，DPO，SimPO等 无缝适配DeepSeek系列蒸馏模型在内的HuggingFace开源模型 兼容支持英伟达GPU、华为昇腾NPU等多种硬件 支持混合精度训练，gradient checkpoint等训练加速降低成本 灵活的训练配置接口，支持自定义奖励函数、损失函数等 提供灵活的并行策略配置接口，包括数据并行、模型并行、专家并行、ZeRO和Offload等，以适应不同硬件规模
开源地址：
https://github.com/hpcaitech/ColossalAI
低成本监督微调满血版 DeepSeek V3/R1 671B
DeepSeek V3/R1 满血版参数高达6710亿，如何低成本进行低成本微调呢? 仅需以下几个步骤，即可快速完成。
数据集准备
该脚本接收 JSONL 格式的文件作为输入数据集，例如https://github.com/hpcaitech/ColossalAI/blob/main/applications/ColossalChat/examples/training_scripts/lora_sft_data.jsonl。数据集的每一行应为一个聊天对话列表。例如：
[{"role": "user", "content": "你好，最近怎么样？"}, {"role": "assistant", "content": "我很好。今天有什么可以帮你的吗？"}]
[{"role": "user", "content": "火烧赤壁 曹操为何不拨打119求救？"}, {"role": "assistant", "content": "因为在三国时期，还没有电话和现代的消防系统，所以曹操无法拨打119求救。"}]
该数据格式，兼容 Huggingface chat template，支持自定义 system prompt，因此可灵活按需配置。
模型权重准备
为保证更好的微调效果，使用 BF16 权重进行微调。
如果已下载了 FP8 的 DeepSeek V3/R1 权重，可以使用 DeepSeek 官方脚本https://github.com/deepseek-ai/DeepSeek-V3/blob/main/inference/fp8_cast_bf16.py通过 GPU 将权重转换为 BF16。
对于使用国产华为昇腾算力，可以下载 https://gitee.com/ascend/ModelZoo-PyTorch/blob/master/MindIE/LLM/DeepSeek/DeepSeek-V2/NPU_inference/fp8_cast_bf16.py脚本转换权重。
使用方法
在准备好数据集和模型权重后，可使用Colossal-AI 提供的一键启动脚本 https://github.com/hpcaitech/ColossalAI/blob/main/applications/ColossalChat/examples/training_scripts/lora_finetune.py
该脚本与常见 SFT 脚本类似，且完全兼容HuggingFace PEFT，启动命令：
colossalai run --hostfile path-to-host-file --nproc_per_node 8 lora_finetune.py --pretrained path-to-DeepSeek-R1-bf16 --dataset path-to-dataset.jsonl --plugin moe --lr 2e-5 --max_length 256 -g --ep 8 --pp 3 --batch_size 24 --lora_rank 8 --lora_alpha 16 --num_epochs 2 --warmup_steps 8 --tensorboard_dir logs --save_dir DeepSeek-R1-bf16-lora
有关每个参数的更多详细信息，可以运行 python lora_finetune.py --help查看。该脚本可通过 tensorboard 记录学习率、loss、grad norm信息，方便对训练进行监控。
使用LoRA优化硬件资源消耗
通过使用LoRA等优化，示例命令已将SFT DeepSeek V3/R1 671B最低硬件要求降低近10倍，可使用32 个 Ascend 910B NPU 64GB（使用 ep=8,pp=4）或 24 个 H100/H800 GPU（使用 ep=8,pp=3）。如果你通过 --zero_cpu_offload 启用 CPU offload，硬件要求可以进一步降低，但会损失一定的训练速度。
如下图验证，在SFT DeepSeek V3/R1 671B时，Loss 可以顺利降低。
对于资金充裕的开发团队，也可以使用上述脚本，将并行度高效扩展至数百及数千卡，快速完成DeepSeek V3/R1 671B全参微调或并行加速。
对于预算有限，又想借助强化学习构建自己的类DeepSeek R1模型， Colossal-AI也提供了解决方案，并利用小模型对算法进行了验证。
通过强化学习微调蒸馏版DeepSeek
Colossal-AI 团队验证并实现了 DeepSeek 论文中的 GRPO 算法及 verifiable reward，使用 Qwen2.5-3B-Base 模型进行了实验。其中，奖励的设计如下：
奖励 = 0，如果格式是错误的； 奖励 = 1， 如果格式是正确的但是结果是错误的； 奖励 = 10，如果格式与结果都是正确的。
Colossal-AI 团队以 Qwen2.5-3B-Base 模型为例，提供了用于验证 GRPO 的对话模板及设定（https://github.com/hpcaitech/ColossalAI/blob/main/applications/ColossalChat/conversation_template/Qwen_Qwen2.5-3B.json），通过配置以下 bash 文件，即可一键启动：
https://github.com/hpcaitech/ColossalAI/blob/main/applications/ColossalChat/examples/training_scripts/train_grpo.sh
同时，在 GRPO 章节，Colossal-AI 团队还提供了验证过程中的部分发现及各种参数的详细描述，可供参考。
代码中设计了可灵活配置奖励函数的模板，因此，用户可根据自己的具体情况设计自己的奖励函数体系。
由下图可以看到，即使是 3B 的模型，平均奖励与模型回复长度随着时间逐步增长。
随着训练的进行，我们可以看到一些有意思的例子。例如随着训练迭代，模型开始了自我纠正：
Colossal-AI：最佳后训练工具箱
Colossal-AI在深耕大模型预训练降本增效的基础上，致力于进一步成为开发者开箱即用的最佳后训练工具，帮助用户基于开源模型，低成本快速构建私有模型。
