SFT (Supervised Fine-Tuning) - 监督微调
让模型学会"按规矩说话"的阶段，通过高质量的示例教会模型如何正确回答问题。
简单理解：给模型看标准答案，让它模仿学习。
RLHF (Reinforcement Learning from Human Feedback) - 人类反馈强化学习
让模型学会"说得更好"的阶段，通过人类反馈不断优化输出质量。
简单理解：让人类当"评委"，告诉模型哪个答案更好，模型不断改进。
基础概念估计大家已经被各种信息洗脑轰炸，但如何进行进行实操，有哪些踩坑经验，大家还是比较陌生。今天我们来看看大厂如何进行SFT和RLHF？
一、SFT阶段 - 90%的团队都在这里翻车
某创业公司收集了50万条对话数据，结果模型啥都会一点，啥都不精。但字节豆包团队只用1万条，在目标领域反而更强。
大厂秘密在配比是什么？
40%通用对话（保证基础能力） 30%垂直领域（核心竞争力） 20%多轮对话（真实体验） 10%边界case（不出洋相）
为什么这样的数据配比有效？通用数据打底防止退化，垂直领域形成优势，多轮对话贴近实际，边界case提升鲁棒性。
一文搞懂大模型的数据集FineWeb：让AI更聪明的15万亿字数据集
3000条烂数据毁掉20万条好数据？
阿里通义早期版本专业问答不稳定，排查后发现20万训练数据中混入3000条低质"水文"，占比1.5%，却让10%的专业问题质量下降。损失2周返工。
他们的解决方案简单粗暴：每条数据3人标注，平均分低于4.0直接丢弃。宁可少1000条，不要1条烂数据。
好数据的质量检查标准是什么？
（1）长度要合理。10-2000字之间，太短敷衍，太长啰嗦。
（2）重复度要低。独特词汇至少占70%，大段重复说明数据有问题。
（3）有害内容要过滤。敏感词库自动筛查，模糊case人工复审。
（4）事实要准确。有明确答案的（日期、人名、数据）调搜索引擎验证，不一致的人工核查。例如腾讯专门建了事实核查团队，这个最容易被忽略但最致命。
GPT-4批量生成数据的坑？
直接让GPT-4生成10万条，看起来省事，实际上风格高度一致都是"GPT味"，缺乏真实场景多样性，模型学会的是腔调而不是能力。
字节的正确姿势是什么？GPT-4生成10万候选，多样性过滤到3万，人工抽检30%，最终采纳2万。多样性过滤的核心是用句子嵌入算相似度，新样本与已有样本必须低于85%才收录。
LoRA如何让7B干13B的活？
标准全量微调7B模型要4张80GB A100，2000美元一周。LoRA方案只要2张卡，1000美元，省一半。
LoRA的原理是不训练整个模型，只在关键层加小矩阵"补丁"。可训练参数只有0.5%，效果能到全量微调的95%。阿里实测关键参数：秩64最优，缩放系数16，只训练注意力层。
学习率更关键。很多人拍脑袋设2e-5，结果训练不收敛。腾讯实战经验发现：模型越大学习率越小，批次越大可以稍大。7B用1e-5，13B用5.4e-6，70B用1e-6。宁可小一点慢慢涨，也别大了一步崩。
大模型入门指南 - Fine-tuning：小白也能看懂的“模型微调”全解析
一文彻底搞懂大模型 - Fine-tuning三种微调方式
二、RLHF阶段 - 这才是真正的硬骨头
三个致命问题几乎每个团队都会遇到。
（1）Reward Hacking（奖励欺骗）：模型学会讨好奖励模型而不是真正变好。典型表现是堆砌专业术语和高大上废话。
（2）Mode Collapse（模式坍缩）：模型只输出几种固定模式。无论问什么都回"这是个好问题，让我从几个方面分析"。
（3）Training Instability（训练不稳定）：Loss疯狂震荡，梯度爆炸，训练到一半突然崩溃。
为什么奖励模型不是越大越好？
腾讯做过对比实验。70B奖励模型配7B策略模型，训练极不稳定频繁崩溃。13B奖励模型配7B策略模型，还是不够稳定。7B配7B，反而最稳定效果最好。
大厂实战发现，奖励模型和策略模型大小要匹配，同样大小或奖励模型稍小。就像老师和学生，能力差距太大学生会学不下去。
彻底搞懂深度学习-深度Q神经网络（DQN）（动图讲解）
PPO超参数的黄金配比是什么？
阿里做了200多次实验，总结出PPO超参数最稳定配置：
（1）学习率必须1e-6，比SFT小10-20倍。RLHF是微调的微调，步子太大会毁掉SFT成果。
（2）clip_range和value_clip_range都是0.2，不要动。
（3）KL惩罚系数0.05是关键中的关键。太小（0.01）模型跑飞开始胡言乱语，太大（0.2）模型不敢动学不到东西。最优区间0.05-0.08。
（4）梯度裁剪max_norm设0.5，必须有，防止梯度爆炸。
（5）mini_batch_size用16，小批次优先，稳定大于效率。
（6）每批数据训练4次（ppo_epochs=4），充分学习。
（7）temperature 0.7，top_p 0.9，平衡多样性和质量。
（8）length_penalty 0.1，repetition_penalty 1.2，防止废话和重复。
KL散度系数如何决定成败？
这个参数衡量新策略和旧策略的差异，像一根橡皮筋把模型拉回安全区域。
（1）系数0.01太小，橡皮筋太松，风筝飞走了，模型开始输出格式错乱内容不知所云。
（2）系数0.2太大，橡皮筋太紧，风筝飞不起来，RLHF前后对比看不出区别，白费力气。
腾讯采用动态调整策略，前20%训练用0.08稳定起步，中间60%用0.05充分优化，最后20%用0.06避免过拟合。
混合奖励如何解决Reward Hacking？
单纯用人类偏好奖励容易被钻空子。如何解决？字节的方案是混合5个信号，多维度约束使得奖励模型难以同时作弊，各维度相互制衡。
（1）人类偏好奖励占60%，主要信号。
（2）KL散度惩罚占20%，防止偏离SFT，是负数惩罚项，系数-0.05。
（3）长度惩罚占5%，超过500字开始惩罚，鼓励简洁。
（4）重复惩罚占5%，检测重复词汇和句式。
（5）安全性奖励占10%，安全的小额加分，不安全的大幅扣分。
实测Reward Hacking减少70%。建议先用单一奖励跑通流程，再逐步加入其他项，每加一项单独测试影响。
什么场景需要做RLHF？什么场景该放弃RLHF？
（1）垂直领域专业应用SFT就够，格式化输出任务（代码生成、数据提取）不需要做RHLF。
（2）通用对话助手用户体验提升明显，创意写作开放性任务效果显著，安全性要求极高需要对齐，有持续用户反馈数据可迭代优化等等这样场景才需要做RLHF。
三、SFT + RLHF 算力配置方案
方案1：4×A100（4*80GB）：可以做完整SFT+RLHF流程。
7B模型量化到int8，SFT用LoRA微调，RLHF用DPO代替PPO。效果能达到全量训练90%，训练时间增加20%，总成本3000-5000美元。
方案2：2×A100（2*80GB）：可以SFT，但RLHF需简化。
7B模型量化到int8，SFT用QLoRA微调（4bit），RLHF用DPO或直接SFT迭代。效果能达到全量训练85%，适合垂直领域，总成本1500-2500美元。
方案3：个人GPU（RTX4090，1*24G），可以做小规模验证。
7B模型量化到int4，QLoRA，batch_size=1，跳过RLHF用高质量SFT数据代替。能快速验证想法，不适合生产环境，个人学习够用。
建议大家行动起来，用个人GPU使用Qwen + LLaMA- Factory + QLoRA进行SFT模型微调，感受下如何将专业数据集喂给大模型？如何训练大模型让其具备专业能力？也可以对比下SFT模型微调和通过RAG挂载知识库这两种方式哪种效果更好？
一文搞懂大模型的微调 - （LLaMA-Factory和QLoRA）
