吴恩达推出LLM 后训练免费课程,覆盖三大调优方法:SFT、DPO、RL

刚刚,吴恩达(@AndrewYNg)发布了一门新课程「Post-training of LLMs」。

该课程由华盛顿大学助理教授、NexusFlow联合创始人Banghua Zhu(@BanghuaZ)主讲。

这门课程瞄准了当下AI领域最实用的技术:

如何把一个只会预测下一个词的模型,变成真正能帮你干活的助手

要知道,训练一个LLM需要两个关键阶段:预训练和后训练。

预训练阶段,模型从海量无标注文本中学习预测下一个词或token。而后训练阶段,它才学会真正有用的行为:遵循指令、使用工具和推理

后训练把一个通用的token预测器(在数万亿无标注文本token上训练的模型)转变成一个能遵循指令并执行特定任务的助手。

更重要的是,后训练比预训练便宜得多,这让更多团队有机会把后训练方法纳入自己的工作流程。

三种后训练方法

课程重点介绍了三种常见的后训练方法:

监督微调(SFT)

你给模型提供输入和理想输出的配对数据进行训练。这是最直接的方法,就像教小孩认字一样,告诉它「看到这个问题,就这样回答」。

直接偏好优化(DPO)

你同时提供一个偏好(chosen)和一个不太偏好(rejected)的响应,训练模型偏向更好的输出。这就像告诉模型「这个答案好,那个答案差」,让它学会分辨优劣。

在线强化学习(RL)

模型生成输出后,根据人类或自动反馈获得奖励分数,然后更新模型以提升性能。这更像是「做对了给糖,做错了改正」的训练方式。

动手实践才是王道

这门课程最大的亮点是大量的动手实验

你将:

  • 构建SFT管道,把基础模型变成指令模型
  • 探索DPO如何通过最小化对比损失来重塑行为——惩罚糟糕的响应,强化偏好的响应
  • 实现DPO管道来改变聊天助手的身份
  • 学习在线RL方法,如近端策略优化(PPO)和群体相对策略优化(GRPO),以及如何设计奖励函数
  • 使用GRPO训练模型,通过可验证的奖励提升其数学能力

所有实验都基于从Hugging Face下载的预训练模型,你能亲眼看到每种技术如何塑造模型行为。

社区反响热烈

课程一发布就引发了热烈讨论。

TaskDrift™(@TaskDrift)指出了关键:

更多人需要理解后训练的力量。SFT、DPO和RL不只是大实验室的专利,它们为小团队解锁了真正的用例。很高兴这门课程让它变得实用且动手。

Consciousness is logic(@logicThink11031)认为:

理论上,它可以填补LLM的空白,但本质上,这仍然是一种精化网格的努力(类似于微积分接近无穷的概念)。

他进一步指出:

我一直认为:从图灵工具→McCulloch-Pitts神经网络→LLM,从智能的角度来看,整体方向应该是错误的。如果我们不在理论上改变方向,只是盲目地填补空白,意义不大!

Sudhir Gajre(@SudhirGajre)则从实践角度给出建议:

Andrew,诚然还没看过课程材料。但我建议加入一些关于上下文工程边界和限制的讨论。在我看来,只有在你用尽了CE之后,才应该考虑后训练。

后训练是LLM训练中发展最快的领域之一

无论你是想构建高精度的特定上下文助手、微调模型的语气,还是提升特定任务的准确性,这门课程都能让你亲身体验当今塑造LLM后训练的最重要技术。

Victor Ajayi(@the_victorajayi)的评价很有代表性:

我一直渴望深入了解后训练,这门课程看起来是完美的机会。SFT、DPO和RL是塑造真实世界AI行为的强大工具,迫不及待想看看每种方法在实践中如何工作。感谢让这变得易于获取!

如果说预训练就像教一个人识字,让他认识所有的字词,理解语言的基本规律。

那么后训练,则是教他如何写作——什么时候该用什么词,如何组织语言来表达特定的意思。

前者让模型「知道」,后者让模型「会用」。

这也解释了为什么后训练如此重要:

没有它,我们得到的只是一个博学但不会应用的「书呆子」。

现在,吴恩达把这门技术的钥匙交到了你手中。

学还是不学,我只能帮到这里了。




[1]

课程链接: https://www.deeplearning.ai/short-courses/post-training-of-llms/


(文:AGI Hunt)

发表评论