LLM 首先要学习的并非直接与人交流，而是让网络参数中充满知识的墨水，“墨水” 理论上喝的越饱越好，产生大量的对世界的知识积累。 预训练就是让 Model 先埋头苦学大量基本的知识，例如从 Wiki 百科、新闻、书籍整理大规模的高质量训练数据。 这个过程是“无监督”的，即人类不需要在过程中做任何“有监督”的校正，而是由模型自己从大量文本中总结规律学习知识点。 模型此阶段目的只有一个：学会词语接龙。例如我们输入“秦始皇”四个字，它可以接龙“是中国的第一位皇帝”。

经过预训练，LLM 此时已经掌握了大量知识，然而此时它只会无脑地词语接龙，还不会与人聊天。

SFT 阶段就需要把半成品 LLM 施加一个自定义的聊天模板进行微调。例如模型遇到这样的模板【问题-> 回答，问题-> 回答】后不再无脑接龙，而是意识到这是一段完整的对话结束。 称这个过程为指令微调，就如同让已经学富五车的「牛顿」先生适应 21 世纪智能手机的聊天习惯，学习屏幕左侧是对方消息，右侧是本人消息这个规律。

在预训练与有监督训练过程中，模型已经具备了基本的对话能力，但是这样的能力完全基于单词接龙，缺少正反样例的激励。 模型此时尚未知什么回答是好的，什么是差的。

希望模型能够更符合人的偏好，降低让人类不满意答案的产生概率。 这个过程就像是让模型参加新的培训，优秀员工作为正例，消极员工作为反例，学习如何更好地回复。可以使用 RLHF 系列之-直接偏好优化（Direct Preference Optimization， DPO）或与 PPO（Proximal Policy Optimization）。DPO 相比于 PPO：

• DPO 通过推导 PPO 奖励模型的显式解，把在线奖励模型换成离线数据，Ref 模型输出可以提前保存。

• DPO 性能几乎不变，只用跑 actor_model 和 ref_model 两个模型，大大节省显存开销和增加训练稳定性。

RLHF 训练步骤并非必须，此步骤难以提升模型“智力”而通常仅用于提升模型的“礼貌”，有利（符合偏好、减少有害内容）也有弊（样本收集昂贵、反馈偏差、多样性损失）。

GRPO（Generalized Reinforcement Preference Optimization）是一种改进的强化学习方法，用于优化模型输出更符合人类偏好。它是对 PPO（Proximal Policy Optimization）+ RLAIF（Reinforcement Learning from AI Feedback）等方法的泛化和增强，本质上是对 RLHF（人类反馈强化学习）的一种高效实现。GRPO 的目标：从两个或多个候选输出中，优化模型朝更高偏好方向移动，而不是只学单个“正确答案”。

经过预训练、有监督训练、人类反馈强化学习，模型已经完全具备了基本能力，通常可以学成出师了。

知识蒸馏可以进一步优化模型的性能和效率，所谓知识蒸馏，即学生模型面向教师模型学习。 教师模型通常是经过充分训练的大模型，具有较高的准确性和泛化能力。 学生模型是一个较小的模型，目标是学习教师模型的行为，而不是直接从原始数据中学习。

在 SFT 学习中，模型的目标是拟合词 Token 分类硬标签（hard labels），即真实的类别标签（如 0 或 100）。 在知识蒸馏中，教师模型的 softmax 概率分布被用作软标签（soft labels）。小模型仅学习软标签，并使用 KL-Loss 来优化模型的参数。

通俗地说，SFT 直接学习老师给的解题答案。而 KD 过程相当于“打开”老师聪明的大脑，尽可能地模仿老师“大脑”思考问题的神经元状态。知识蒸馏的目的只有一个：让小模型体积更小的同时效果更好。 然而随着 LLM 诞生和发展，模型蒸馏一词被广泛滥用，从而产生了“白盒/黑盒”知识蒸馏两个派别。 GPT-4 这种闭源模型，由于无法获取其内部结构，因此只能面向它所输出的数据学习，这个过程称之为黑盒蒸馏，也是大模型时代最普遍的做法。黑盒蒸馏与 SFT 过程完全一致，只不过数据是从大模型的输出收集。

LoRA 是一种高效的参数高效微调（Parameter-Efficient Fine-Tuning， PEFT）方法，旨在通过低秩分解的方式对预训练模型进行微调。 相比于全参数微调（Full Fine-Tuning），LoRA 只需要更新少量的参数。 LoRA 的核心思想是：在模型的权重矩阵中引入低秩分解，仅对低秩部分进行更新，而保持原始预训练权重不变。

训练任何模型，需要清楚两个问题：

1. 明确模型的输入与输出

2. 定义模型的损失函数

LLM，即大语言模型，本质上是一个“token 接龙”高手，它不断预测下一个词符。这种推理生成方式被称为自回归模型，因为模型的输出会作为下一轮的输入，形成一个循环。

刚开始，一个随机大模型，面对输入，它预测的下一个字符完全是随机的

那么，它是如何学习的呢？在自注意力机制中，通过为 qk 增加掩码，softmax 后将负无穷对应到 0，隐藏掉 n 字符以后的内容。这样，输出的第 n+1 个字符只能关注到前 n 个字符，如同戴上了一副“只看过去”的眼镜。

通过训练，大模型从一个随机混沌的状态，逐渐学会输入与下一个词符之间的潜在联系。

以上是为了便于理解而抽象出来的过程。

大模型的输入是由数字组成的张量，而非自然语言字符。自然语言通过 tokenizer（可以理解为一种词典）映射到词典的页码数字 ID，进行输入计算。得到的输出数字再利用词典进行解码，重新得到自然语言。

大模型的输出是一个 N*len（tokenizer）的多分类概率张量，在 Topk 中选出的有概率的 token，得到下一个词。

损失函数：交叉熵损失

学习率：与 batchsize 成倍数关系，batchsize 变大一倍，学习率也增大一倍

https://github.com/jingyaogong/minimind
https://developer.horizon.auto/blog/13043