一文速览大语言模型训练的四个阶段
导读本文将介绍从零开始构建大语言模型并使其适用于现实世界应用场景的四个阶段。涵盖1. 预训练 2. 指令微调 3. 偏好微调 4. 推理微调。阶段0 随机初始化的LLM此阶段模型的参数是随机或基于某种分布随机初始化的也就是说此时模型是一无所知的。你问它“什么是LLM”会得到一串胡言乱语的回复也就是next token是随机随机的“词语接龙”。因为此时它尚未见过任何训练数据只拥有随机的权重。此阶段你需要知道的是训练一个decoder-only架构的大语言模型由哪些部分组成Tokenizer:分词器Embedding Block: 文本/多模态嵌入Positional embedding位置嵌入/RoPEAttention Block注意力模块MHA/MQA/GQA/MLA;Masked Attention掩码注意力机制(训练阶段)Causal MaskingMLP/MOE;EngramConditional MemoryRMSNorm与残差连接AdamW ...阶段1 预训练此阶段通过在海量语料库上训练模型预测下一个token令牌/词元来教授 LLM 语言基础知识。通过这种方式它吸收了语法、世界知识等。由于训练方法的原因导致它不善于对话它只是在你输入的prompt之后接续生成文本也就是词语接龙。在阶段0你了解了一个大语言模型构成到达此阶段你需要了解的是训练框架的选择以及准备预训练语料库。当然预训练一个大语言模型涉及到AI infra计算集群、通信与存储、分布式训练等等这是一个大工程。阶段2 指令微调为了让模型能够对话我们可以使用指令-响应对进行指令微调。这有助于大模型学习如何遵循提示并格式化回复。现在它可以回答问题总结内容编写代码等等。此阶段你可能需要了解的是参数微调的一些高效方式(PEFT)比如LoRA及其变体基于Prompt的微调比如Prefix-Tuning、P-Tuning等还有一类是Adapter Tuning通过插入适配器的方式。这时候一些微调框架是你所需要的比如Peft、Lamma-factory、unsloth等。你可能还需要注意的是不同的开源模型使用的微调数据集的组织形式有所不同比如ChatML、ShareGPT等Qwen系列模型送入模型训练的格式就是使用的类似ChatML的格式。微调仅仅是微调因此你只需要几个epochs就可以了小心造成大模型的灾难性遗忘问题。至此我们可能已经利用了整个原始互联网存档知识投入了预算用于人工标注指令-响应数据。那么我们能做些什么来进一步改进模型呢我们进入了强化学习的领域。阶段3 偏好微调你一定在 ChatGPT 上见过这个界面它问你更喜欢哪个回答回复 1感谢您提供详细的错误信息和最新代码。这个错误似乎与“collate_fn”函数内部如何处理数据有关。让我们通过修正“collate_fn”以正确处理来自xxx的数据格式来解决此问题。更新“collate_fn”函数该函数应直接处理从“GPT2Dataset”接收到的张量列表而无需像处理字典格式数据那样尝试提取“input_ids”和“attention_mask”。移除诊断打印语句“collate_fn”中的诊断打印语句不再必要可以移除以清理函数。以下是更新后的“collate_fn”代码略...请务必将脚本中现有的“collate_fn”函数替换为此更新版本。用“pad_sequence”函数确保一个批次中的所有序列具有相同长度并且创建的“attention_mask” 与 “input_ids”形状相同所有元素设为1因为所有词元都是...回复 2感谢您提供详细信息和当前代码状态。问题似乎出在“collate_fn”函数中。具体来说是“input_ids”和“attention_mask”被提取和处理的方式。在您的xxx类中“samples”列表中的每一项都是一个表示分词后输入ID的张量。“collate_fn”函数应正确处理这些张量。以下是修改后的“collate_fn”及其集成方式更新“collate_fn”函数:由于“data”中的每一项都是张量而非字典我们直接处理这些张量。我们使用“pad_sequence”将所有张量填充到相同长度。对于注意力掩码我们创建一个与“input_ids”形状相同并在“input_ids”非填充位置设为1的掩码。确保在您的“DataLoader”中使用此“collate_fn”代码略...这不仅仅是为了反馈更是宝贵的人类偏好数据。OpenAI 利用这些数据通过偏好微调来微调他们的模型。在偏好微调中用户在两个回答之间进行选择以产生人类偏好数据。然后训练一个奖励模型来预测人类偏好并使用强化学习来更新 LLM。上述过程称为RLHF而用于更新模型权重的算法称为PPO。它教会 LLM 即使在没有“正确”答案时也能与人类价值观对齐。此阶段你需要有一些强化学习的知识需要厘清一些强化学习的概念。比如PPO所需要的四个模型奖励模型、价值模型、参考模型和策略模型以及4个模型之间的协作方式On-policy以及Off-policy。除了PPO之外还有一些PPO算法的演进算法比如TRPOdeepseek用的GRPOQwen用的GSPO等。当然最简单的DPO算法也许也会有一些作用。偏好微调的框架比如Hugging Face的开源库trl、OpenRLHF等。阶段4 推理微调在推理任务数学、逻辑等中通常只有一个正确的回答和一系列确定的步骤来获得答案。所以我们不需要人类的偏好我们可以用正确性作为信号。这叫做推理微调。当然大模型本身具有推理能力只是这种能力没有直接形成文本生成出来我们要解决的是激发它的这种推理能力使其显式的生成正确推理内容。推理微调步骤模型对输入的Prompt生成答案。将答案与已知正确答案进行比较。根据正确性分配奖励。这被称为带可验证奖励的强化学习。DeepSeek 的 GRPO 是这方面的一种流行技术。使模型显式输出推理除了推理微调之外通过提示器工程来激发是一种trainning free的方法不过要保证推理的准确性就需要微调了。以上就是训练 LLM 的四个阶段。从一个随机初始化的模型开始。在大规模语料库上进行预训练。使用指令微调使其遵循指令。使用偏好和推理微调来优化回答。学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。

相关新闻

大模型连载1:了解 Token

大模型连载1:了解 Token

可以说,学习自然语言处理、大模型、Transformer 任何一个技术,都离不开 token这个概念。本专栏就从这个最基础的概念开始讲起。多年前,第一次接触到自然语言处理模型 BERT。当时在评估这个模型的性能时,领导说这个模型的性能需要达…

2026/7/6 1:01:48 阅读更多 →
智造未来:2026年全球工业AI智能体深度解析与推荐

智造未来:2026年全球工业AI智能体深度解析与推荐

当大模型的热潮逐渐沉淀为产业深处的理性思考,工业制造领域正迎来一场静默而深刻的变革。2026年的今天,工业AI智能体已不再是科幻电影中的概念,而是实实在在穿梭于产线、仓库、研发中心与供应链之间的“数字同事”。它们不仅能“看”懂缺陷、…

2026/7/8 21:24:28 阅读更多 →
重构制造:全球顶尖工业AI平台全景对比与推荐

重构制造:全球顶尖工业AI平台全景对比与推荐

当大模型的热潮逐渐退去,人们开始冷静地追问:AI究竟能在实体世界创造多少真实价值?在工业领域,答案正在浮出水面。如果说过去几年我们谈论的是“工业AI”,即用AI给传统设备打个补丁;那么现在,我…

2026/7/9 14:56:25 阅读更多 →

最新新闻

STM32与LTC1864高精度ADC的SPI通信实现

STM32与LTC1864高精度ADC的SPI通信实现

1. 项目背景与核心需求在工业控制和嵌入式系统开发中,模拟信号与数字系统的无缝集成一直是工程师面临的关键挑战。LTC1864作为一款16位高精度ADC转换器,配合STM32F101ZG这类主流微控制器,能够构建高性能的模拟信号采集系统。这种组合特别适合…

2026/7/10 0:03:07 阅读更多 →
VS Code容器化开发NanoPi2Fire嵌入式CMake环境

VS Code容器化开发NanoPi2Fire嵌入式CMake环境

1. 项目概述:为什么要在VSC里用容器跑NanoPi2Fire的CMake开发环境?“使用VSC容器化开发CMake配置NanoPi2Fire开发环境”——这个标题里藏着三个关键动作:容器化是手段,CMake是构建中枢,NanoPi2Fire是目标硬件。它不是在…

2026/7/9 23:57:05 阅读更多 →
Android GUI Agent技术解析:INJECT_EVENTS与虚拟屏幕实战

Android GUI Agent技术解析:INJECT_EVENTS与虚拟屏幕实战

1. 项目概述:我们到底在分析什么?“豆包 手机 - 技术分析篇”这个标题乍看像是一款App评测,但结合热搜词里反复出现的GUI agent、INJECT_EVENTS、虚拟屏幕、声纹检测,再叠加上“hermes agent gui下载教程”“如何卸载虚拟屏幕”“…

2026/7/9 23:55:04 阅读更多 →
Hermes Agent:分布式智能体调度中枢与MCP协议实践

Hermes Agent:分布式智能体调度中枢与MCP协议实践

1. Hermes Agent 不是“又一个定时工具”,而是分布式智能体的调度中枢你可能在 SpringBoot 项目里写过Scheduled(cron "0 0 * * * ?"),也可能在 Linux 上配过crontab -e,甚至用过 XXL-JOB 或 Quartz 做集群任务分发——但这些方案…

2026/7/9 23:55:04 阅读更多 →
AI Coding Agent 沙箱的设计原理解析

AI Coding Agent 沙箱的设计原理解析

1. 引言 随着大语言模型(LLM)在代码生成领域的广泛应用,AI Coding Agent 已成为开发者日常效率提升的重要工具。然而,AI 生成的代码天然存在不可靠性——可能包含语法错误、逻辑缺陷、安全漏洞,甚至恶意代码。为了在「…

2026/7/9 23:55:04 阅读更多 →
【2027最新】基于SpringBoot+Vue的房屋租赁管理系统管理系统源码+MyBatis+MySQL

【2027最新】基于SpringBoot+Vue的房屋租赁管理系统管理系统源码+MyBatis+MySQL

博主介绍: ✨ 专业背景 专注Java企业级开发与小程序生态,全网影响力10万开发者,CSDN特邀作者、技术专家、新星计划导师。 🎯 核心服务 📚 毕业设计智库 微信小程序方向:100个前沿选题 Java企业级方向&#…

2026/7/9 23:53:03 阅读更多 →

日新闻

STM32与LTC1864高精度ADC的SPI通信实现

STM32与LTC1864高精度ADC的SPI通信实现

1. 项目背景与核心需求在工业控制和嵌入式系统开发中,模拟信号与数字系统的无缝集成一直是工程师面临的关键挑战。LTC1864作为一款16位高精度ADC转换器,配合STM32F101ZG这类主流微控制器,能够构建高性能的模拟信号采集系统。这种组合特别适合…

2026/7/10 0:03:07 阅读更多 →

周新闻

B站视频下载神器BiliTools:5分钟学会轻松保存任何B站内容

B站视频下载神器BiliTools:5分钟学会轻松保存任何B站内容

B站视频下载神器BiliTools:5分钟学会轻松保存任何B站内容 【免费下载链接】BiliTools A cross-platform bilibili toolbox. 跨平台哔哩哔哩工具箱,支持下载视频、番剧等等各类资源 项目地址: https://gitcode.com/GitHub_Trending/bilit/BiliTools …

2026/7/8 16:14:06 阅读更多 →
威胁模型全解析:从新手入门到实战应用,助你构建安全产品!

威胁模型全解析:从新手入门到实战应用,助你构建安全产品!

威胁模型的陌生现状在忙碌疲惫的一天里,参与了关于混合后量子密码学的讨论,应付端点攻击找茬的人,还参与留言板讨论后,发现“威胁模型”对多数人仍是陌生概念,且多被当作时髦用语。有趣的相关画作有一幅由 Embyr 创作的…

2026/7/9 13:46:46 阅读更多 →
渗透测试入门指南:从零基础到实战环境搭建

渗透测试入门指南:从零基础到实战环境搭建

1. 从“看热闹”到“入门”:我理解的渗透测试到底是什么?每次看到新闻里说某个大公司的数据被“黑”了,或者某个网站被攻击导致服务瘫痪,你是不是和我一样,心里会冒出两个念头:一是“这黑客真厉害”&#x…

2026/7/9 21:41:05 阅读更多 →

月新闻