大语言模型是怎么来的？大语言模型的训练过程

站在大语言模型外部看需要准备些什么样的训练数据，分什么阶段，怎样去训练大语言模型，把大语言模型看成一个黑盒。

LLM都是如何训练出来的呢？

GPT的训练分为以下3个阶段：

1、预训练Pretrain

2、监督微调SFT (Supervised Fine-Tuning)

3、基于反馈的强化学习RLHF（包含了Reward Model、PPO (Proximal Policy Optimization)

一、Pretrain预训练

在这个阶段，我们不教他具体的专业技能（比如怎么写代码、怎么当医生），而是让他进行海量的广泛阅读。

Pretrain的三个核心步骤：

1. 喂给它海量的书（数据输入）

研究人员把互联网上能找到的几乎所有高质量文本——百科全书、小说、新闻、代码库、论文——全部打包，喂给这个模型。

量级： 这相当于让一个人读了几千万辈子的书。

2. 玩“完形填空”游戏（学习机制）

模型在读这些书时，主要在做一件事：猜下一个字是什么。

例子：看到“床前明月__”，模型要猜出是“光”。
原理：如果猜对了，给予奖励（参数调整）；如果猜错了（比如猜成了“饼”），就狠狠修正。
结果：通过千亿次的猜测和修正，模型学会了语言的语法、词语的搭配，以及人类世界的逻辑和常识（比如知道“水是流动的”、“1+1=2”）。

3. 产出“基座模型”（Base Model）

预训练结束后，我们就得到了一个基座模型。

它的状态：它博学多才，什么都知道一点，懂中文也懂英文。
它的缺点：它还很“野”，不懂礼貌，也不知道怎么听指令。如果你问它“怎么做番茄炒蛋？”，它可能会给你续写一段关于番茄的历史，而不是给你食谱。因为它只会“接着往下写”，还不会“回答问题”。

总之，Pretrain（预训练） = 通过海量阅读，学会语言规律和世界知识的过程。它是大模型最昂贵、最耗时的阶段（通常需要几千张显卡跑几个月），是模型能力的地基。这个阶段的大模型说起话来非常像“接话茬”，并不是在“做任务”。

二、SFT（Supervised Fine-Tuning）有监督的微调训练

如果说 Pretrain（预训练） 是让模型在图书馆里泛读万卷书，成了一个博学的“书呆子”。

那么 SFT（Supervised Fine-Tuning，有监督微调） 就是给这个书呆子进行“职业技能培训”，或者是找了个“金牌导师”手把手教它怎么说话。

在这个阶段，我们的目标不再是让它“学知识”，而是让它“懂规矩”。

以下是 SFT 的三个核心变化：

1. 教材变了：从“无字天书”到“习题集”

在预训练阶段，我们给它看的是并没有标注重点的海量文本。而在 SFT 阶段，我们给它看的是高质量的问答对（Q&A）。

人类老师（标注员） 会编写成千上万个例子，告诉模型：“当用户问这个问题时，标准的回答应该是这样的。”

例子：

输入： “请把这段话翻译成英文。”

标准答案： “Please translate this sentence into English.”

量级： 相比预训练的数据海，SFT 的数据量要小得多（通常是几万到几十万条），但质量要求极高。

2. 教学方式变了：从“瞎猜”到“模仿”

Pretrain 时：模型看到“番茄炒蛋”，可能会接着写“是一道中国名菜，起源于……”（因为它在做文本接龙）。
SFT 时：老师拿着戒尺站在旁边。模型看到“番茄炒蛋怎么做？”，如果它还想背历史课文，老师会敲它一下，指着标准答案说：“不对！这时候你应该列出步骤：第一步打蛋，第二步切番茄……”
效果：模型开始模仿人类说话的语气、格式和逻辑。它学会了：当人类用问句开头时，我应该提供答案，而不是接着编故事。

3. 身份变了：从“复读机”到“助手”

经过 SFT 之后，这个模型就发生了质的飞跃：

听懂指令：你让它缩写文章，它就不会扩写；你让它写代码，它就不会写诗。
格式规范：它学会了分点作答、使用礼貌用语。
ChatGPT 的诞生： GPT-3 只是一个预训练模型（书呆子），而 ChatGPT 则是经过了 SFT（以及后续步骤）后的产物（智能助手）。

小结，SFT（指令微调） = 通过高质量的问答范例，教模型如何正确地使用它学到的知识来服务人类。它让模型从“懂语言”变成了“懂人话”。

三、RLHF（Reinforcement Learning from Human Feedback）基于人类反馈的强化学习

如果说 Pretrain（预训练） 造就了博学的“书呆子”，SFT（微调） 把它变成了能干活的“职场新人”；

那么 RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习） 就是给这个新人上的“思想品德课”和“情商培训班”。

在 SFT 阶段，模型虽然学会了回答问题，但它有个大毛病：它不知道哪个答案更好，甚至为了“回答”而撒谎或干坏事。 比如你问“怎么偷东西？”，SFT 模型可能会很详细地教你（因为它觉得回答就是它的工作）。

RLHF 就是为了解决这个问题，给模型“树立三观”。以下是通俗易懂的两个关键环节：

1. 建立“评分老师”（训练奖励模型Reward Model）

我们不再让老师手把手写标准答案了（太累了），而是让模型针对同一个问题生成两个不同的回答，让老师来打分（或者二选一）。

场景： 用户问“怎么制作炸弹？”

回答 A：详细列出化学配方（虽然准确，由于危险，人类老师判0分）。

回答 B： “制作炸弹是违法的，我不能帮你，但我可以介绍炸药的历史。”（虽然拒绝了，但符合安全规范，人类老师判100分）。

回答 C：胡言乱语（50分）。

结果： 我们训练出了一个专门的“判卷老师”（Reward Model，奖励模型）。这个判卷老师并不生产内容，它唯一的任务就是：判断这句话人类爱不爱听，符不符合人类的价值观。

2. 疯狂刷题拿奖励（强化学习PPO）

现在，让大模型开始大量做题，然后让刚才训练好的“判卷老师”给它打分。

机制（类似训狗）：

如果模型生成了一段话，判卷老师给了高分（比如态度谦逊、内容安全），系统就给模型发一个“糖果”（正向反馈），告诉它：“做得好，以后多这样说话！”

如果判卷老师给了低分（比如脏话、撒谎、种族歧视），系统就给它一个“惩罚”（负向反馈），告诉它：“错了，以后这种话少说！”

进化： 模型为了以此获得更多的“糖果”，会拼命调整自己的说话方式，去迎合“判卷老师”的喜好。

3. “三观”树立完成

经过 RLHF，模型不仅仅是“能说话”，它变成了符合 3H 原则 的模范生：

Helpful（有帮助）：甚至能从你模糊的问题中猜到你想问什么。
Honest（诚实）：不懂装懂的情况变少了（虽然还不能完全根除）。
Harmless（无害）：拒绝回答违法、暴力、色情的问题，变得非常有“求生欲”。

SFT及RLHF的过程如下图所示：