Skip to content

Latest commit

 

History

History
137 lines (87 loc) · 6.44 KB

RLHF.md

File metadata and controls

137 lines (87 loc) · 6.44 KB

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

PPO与GRPO算法所需的数据仅为模型输入，也就是system prompt（可选）加上query。其中GRPO中的奖励函数可能需要额外的数据列，比如计算准确率需要solution列作为参考答案。

RM和DPO类算法如ORPO，CPO，SimPO，则需要 $(x,y_w,y_l)$ 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dpo_data

而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kto_data

使用自定义数据集对文本模型或者多模态大模型进行RLHF训练可以参考自定义数据集文档。

GRPO

论文arvix

训练脚本参考这里.

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强。默认为0.1。
  • loss_type：不同DPO算法变种，可选值参考文档，默认为 'sigmoid'。
  • (可选) loss_weights: 多种 loss 混合时的权重设置。
  • (可选) ld_alpha: 来自LD-DPO 论文，对超出公共前缀部分的logps加权 $\alpha$ 抑制长度偏好。
  • (可选) discopop_tau: 来自 DiscoPOP 论文的温度参数 $\tau$ ，用于缩放 log-ratio。默认值0.05。在 loss_type 为 discopop 时生效。

建议在开始 DPO 训练前，先用偏好数据集中用户偏好答案部分进行一次 SFT 训练，以确保数据分布更符合 DPO 算法的要求。

如需同时混合多个 loss（如用于 MPO 训练），可指定多个 loss_type，并通过 loss_weights 设置各自权重。

通过设置超参数 rpo_alpha，可在 loss 中混合一定比例的 SFT loss，从而提升训练的稳定性。

训练脚本参考

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

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

RM损失函数如下

$ \text{loss} = -\log \sigma \left( r^{(c)} - r^{(r)} - m \right) + \lambda \left( r^{(c)} + r^{(r)} \right)^2 $

  • $r^{(c)}$: 模型对 chosen response 的打分
  • $r^{(r)}$: 模型对 rejected response 的打分
  • $\lambda$: L2正则项系数，鼓励模型输出接近0，使用参数center_rewards_coefficient进行设置，来自论文, 默认为0
  • $m$: margin项，鼓励模型根据不同难度的样本进行区分，需要数据集中提供margin列，默认为0，来自论文

训练脚本参考这里.

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

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.