大模型SFT经验
本文转载自https://zhuanlan.zhihu.com/p/809229182，作者ybq。
这篇文章介绍一下大模型的 sft 如何去做。相比较于上一篇文章介绍的 pretrain ，sft
...
大模型预训练经验
本文转载自https://zhuanlan.zhihu.com/p/718354385，作者ybq。
这篇文章介绍下如何从零到一进行 pretrain 工作。
类似的文章应该有很多，不同的地方
...
反向 KL 散度与正向 KL 散度
给定两个分布 ，它们可能在相同的变量 上定义，但其分布形状各异。两者之间的距离可以通过 相对熵 (Relative Entropy) 来度量，其定义如下：
或者在连续情形下为：
其中：
1. 该指标
...
百面大模型-9
什么是策略梯度？
首先从文本生成角度简单介绍一下强化学习：
因为状态-动作空间非常庞大，将强化学习应用于对话生成是一个巨大的挑战。在这种背景下，我们将人类交互视为“环境”。在每个时间步 ，代理（即AI
...
百面大模型-8
大模型PPO中的奖励是什么？
在强化学习的过程中，奖励通常只在序列结束时才会出现，其他中间步骤的奖励为 0，折扣因子为 1，为Reward Model输出的标量结果。
为了防止模型被 Reward M
...
百面大模型-7
DPO的损失函数是什么，第一步的loss为多少？
DPO的损失函数通常设计为最大化策略模型（即正在训练的模型）对偏好数据（chosen）和非偏好数据（rejected）之间的预测差异。具体来说，损失函
...
百面大模型-6
当前LLM的对齐过程通常分为SFT和RLHF两个阶段，我们是否有可能直接跳过SFT阶段而进入RLHF阶段？
可以。论文ORPO: Monolithic Preference Optimizatio
...
百面大模型-5
以LLaMA模型为例，计算一下参数量
首先，假设词表大小为 ，模型包含 层解码器，中间状态的维度大小为 ，前馈网络层的中间状态维度大小为 。我们主要关注计算以下几个部分的参数量：
输入嵌入层：首先
...
百面大模型-4
1、Reward Model都有哪些训练形式？
奖励模型是通过在人类偏好数据上进行训练来设计的，旨在对模型的输出质量进行判别。该模型给出的分数能够在一定程度上反映人类的偏好。一般而言，奖励模型是基于
...
百面大模型-3
大模型预训练中的通常用什么优化器？
在现有的工作中，大型语言模型的训练普遍采用Adam及其变体AdamW。Adam优化器利用梯度的“动量”来确定参数的更新方向，它通过计算历史更新步骤中梯度的加权平均
...
