人类对齐.md

人类对齐

本文档提供了各种人类偏好对齐算法的训练脚本。若您希望深入了解更详尽的算法信息及其选择方法，请参考文档

数据集

人类偏好对齐训练一般需要 $(x,y_w,y_l)$ 格式的数据，其中 $x$ 表示模型输入，$y_w,y_l$ 分别表示符合人类偏好的偏好回答和不符合人类偏好的拒绝回答,比如

其中KTO算法的数据比较特殊，只需要 $(x,y,\text{label})$ 格式的数据，其中 $x$ 表示模型输入，$y$ 表示模型输出，label表示回答是否符合人类偏好 比如

DPO

论文arvix

超参

• beta：KL正则系数，值越大表示对偏离参考模型的惩罚越大。默认为0.1

建议在开始DPO训练之前，使用偏好数据集中的偏好回答部分进行SFT训练，以确保数据符合DPO算法的分布要求。 我们也在DPO loss中混合了sft loss来稳定训练，你可以通过设置超参rpo_alpha来调整sft loss的系数，默认为1..

训练脚本参考这里.

RM

论文arvix

RLHF中的Reward Modeling阶段

使用sft训练后的base model或者instruct model作为基底模型, 增加value head, 使用偏好数据集训练为reward model

TOOD

增加的value head权重会保存在value_head.safetensors 或 value_head.bin文件中

PPO

论文arvix

RLHF中的PPO(proximal policy optimization)阶段, 涉及到四个模型

• model: 训练模型, sft训练后的base model或者instruct model
• ref_model: 参考模型, 默认为 model
• reward_model: 奖励模型, 由RM阶段训练得到
• value_model: 价值模型, 由reward_model初始化, 在训练中同步更新

超参

• local_rollout_forward_batch_size: 每次数据采样的批量大小, 默认为64
• whiten_rewards: 对奖励进行归一化处理, 默认为False
• kl_coef: KL散度项的系数, 默认为0.05
• cliprange: PPO策略损失函数中的clip范围, 默认为0.2
• vf_coef: 价值损失函数系数, 默认为0.1
• cliprange_value: PPO价值损失函数中的clip范围, 默认为0.2
• gamma: 累计奖励的折扣因子, 默认为1.0
• lam: GAE中的lambda系数, 默认为0.95
• num_sample_generations: 训练过程中生成的调试样本数量, 默认为10

TODO

注意: 训练base model时, 需要先sft后再进行rlhf, 指定chat template, sft_type建议使用full

训练中的指标解释参考文档

KTO

论文arvix

超参

• beta： KL正则系数，值越大表示对偏离参考模型的惩罚越大。默认为0.1
• desirable_weight ：损失函数中的$\lambda_D$项，偏好回答样本的损失权重, 默认为1.0
• undesirable_weight ：损失函数中的$\lambda_U$项，拒绝回答样本的损失权重，默认为1.0

用 $n_D$ 和 $n_U$ 分别表示数据集中偏好回答和拒绝回答的样本数量，对于超参 $\lambda_D$ 和 $\lambda_U$ ，作者推荐设置 $\frac{\lambda_Dn_D}{\lambda_Un_U}\in[1,\frac{4}{3}]$

训练脚本 使用 $(x,y,\text{label})$ 格式数据训练

训练脚本参考这里.

CPO

论文arvix 超参

• beta：隐含奖励前的系数，默认为0.1
• cpo_alpha: nll loss系数, 默认为1.0

训练脚本参考这里.

ORPO

论文arvix

超参

• lambda: Odds Ratio loss系数

注意：ORPO使用参数--beta传入超参lambda

训练脚本参考这里.

SimPO

论文arvix 超参

• beta：隐含奖励前的系数，默认为2.0
• simpo_gamma：reward margin项，默认为1.0
• cpo_alpha: 混合CPO nll loss提高训练稳定性, 默认为1.0, 设置0.0使用原始SimPO算法

训练脚本参考这里.