大模型微调学习（二）

二、Lora微调

• 这页主要说明：对 GPT-3 这种超大模型进行全参数 Fine-tune，成本非常高。

• “噩梦”主要体现在三个方面：

  1. 显存压力大：175B 参数模型全参训练大约需要 96 张 V100 32GB 才能基本放得下。
  2. 存储成本高：每训练一个任务，都可能需要保存接近 1TB 的 Checkpoint。
  3. 模型切换慢：不同任务之间切换完整模型，可能需要 1 分钟以上。

• 造成这些问题的核心原因是：全参数 Fine-tune 需要更新并保存模型的全部参数，不仅有模型权重，还需要保存梯度和 Adam 优化器状态，因此显存占用会进一步增加。

• LoRA 的解决思路很简单：

  • 冻结原来的大模型参数；
  • 只训练少量新增的低秩参数；
  • 每个任务只保存很小的 LoRA 权重。

• 因此可以理解为：

全参 Fine-tune：整个模型都改；LoRA：大模型基本不动，只改很小一部分参数。

• 这也是为什么下一步要学习 LoRA、QLoRA 等 PEFT 方法：它们主要解决的就是显存、存储和多任务切换成本过高的问题。
  

2.1 Lora算法

2.1.1 BERT模型

2.2 Roberta模型

2.4 PRFT library

三、Alpaca模型微调

3.1 alpaca模型概览

3.2 self-Instruct数据准备

3.3 训练Alpaca

SwiGLU：通过 Gate / Up / Down 三个投影引入门控机制，相比 ReLU/GELU 能更灵活地筛选和增强有效特征。

RoPE：把位置信息直接编码进 Q/KQ/K 的旋转关系中，使注意力天然包含相对位置信息，并方便后续做长上下文扩展。

系统优化：重点是减少显存读写、激活保存和通信等待，例如高效 causal attention、Activation Checkpointing、通信计算重叠等。

一个准确性提醒：FlashAttention 可以作为现代高效实现的代表，但不应表述成“LLaMA 原论文独有创新”。

一句话理解：SwiGLU 决定“怎么变换特征”，RoPE 决定“怎么表示位置”，系统优化决定“怎么把模型高效训起来”。

这页适合做成“GPU × 模型参数 × Token 的行业速算表”：先看模型权重能不能装下，再看 KV Cache/并发会不会把剩余显存吃完，最后才讨论 Token/s。

权重速算：FP16/BF16 约 2 GB / 1B 参数，INT8 约 1 GB / 1B，INT4 理论约 0.5 GB / 1B，实际还要给量化尺度、运行时和 KV Cache 留余量。

推理显存不只是模型权重，而是 Weights + KV Cache + Activations + Runtime Workspace；上下文越长、并发越高，KV Cache 增长越明显。

速度指标要分开看：TTFT 主要受 Prompt 长度和 Prefill 影响；Decode 的 Token/s 更受模型规模、显存带宽、量化方式和 Batch 影响。

训练不能简单套固定“×18”：Adam 混合精度全参训练通常还要保存梯度、主权重和优化器状态，再叠加激活；ZeRO/FSDP/Checkpointing 会显著改变单卡显存账本。

一个重要修正：405B 模型仅 BF16 权重就约 810 GB，因此 8×80GB GPU 并不能直接装下完整 BF16 权重；这类规模通常需要更多显存、量化或分布式切分。

3.4 整体流程

一、Teacher → Student：用强模型生成训练数据

• Teacher（如 GPT-4）负责出题、分类判断和生成答案。
• Student（如 LLaMA、ChatGLM）学习这些高质量指令数据，再通过 LoRA 或全量微调完成能力迁移。

二、好数据看两个标准

• Instruction 要多样：覆盖不同任务、不同表达方式，避免数据过于单一。
• Output 要优质：答案尽量准确、完整、格式规范，给学生模型提供可靠监督。

三、完整闭环

人工种子 → 指令生成 → 任务分类 → 分类/非分类实例生成 → Filtering → 合格数据回流 Task Pool → Student 微调

一句话总结：
Self-Instruct 本质上可以看成一个“强模型造数据 → 数据反哺小模型”的自动化知识迁移闭环。

3.5 具体流程

3.5.1 Instruction Generation

Self-Instruct 第一步的本质：不是让模型“凭空想任务”，而是先构造一个高质量 Few-shot Prompt，让模型沿着已有示例继续自回归生成新的 Instruction。

Prompt 构造方式：从 Task Pool 中动态抽取 8 个 Example，示意为 6 条人工种子指令 + 2 条模型已生成指令，再让模型续写第 9 个新任务。

人工种子的作用：稳定格式、难度、任务边界与指令质量，相当于给生成过程提供“锚点”。

模型新生成样本的作用：不断把新任务重新放回 Task Pool，增加题型、语义和表达方式的多样性，推动长尾探索。

形成自举飞轮：175 条人工种子 → 混合采样 → Prompt → 新指令生成 → 回填 Task Pool → 再次采样，让任务池持续扩张。

核心思想：用“大比例优质种子固底 + 小比例新颖样本探路”同时解决 生成质量 与 任务多样性 两个问题，为后续大规模 Self-Instruct 数据构造打基础

3.5.2 判断是否是分类型Instruction

一、判定标准：是不是“有限标签分类”

• 核心看输出是不是有限、固定、离散的标签。
• 例如“适合 / 不适合”属于分类任务。
• 开放式故事生成、实体补全等，通常不属于分类任务。

二、判定方式：Few-shot 提示词

• Prompt 中先给几个 Yes / No 示例。
• 再把 Step 1 新生成的 Instruction 填进去。
• 让大模型直接判断并输出：Yes 或 No。

三、作用：决定下一步怎么生成数据

• Yes → Output-first：先确定标签，再生成对应输入，减少类别不平衡。
• No → Input-first：先生成输入，再生成开放式回答。

四、总结

创新点 1：模型“自己给自己造训练数据”

核心思想非常简单：

Pretrained LLM
      ↓
自己生成 Instruction Data
      ↓
过滤
      ↓
用这些数据 Fine-tune 自己
      ↓
更会 Follow Instructions

这其实是一种 Bootstrapping / Self-training 思想。

但是与普通 self-training 不同：

普通 Self-training：

已有Task
+
未标注样本
↓
Pseudo Label

Self-Instruct：

连 Task 本身
都让模型生成

所以它是：

Task-level Bootstrapping。

论文也特别指出，它不是针对某一个指定任务，而是从头生成多种新的任务。

---

创新点 2：把数据生成拆成 Instruction 和 Instance 两个阶段

不是一句 Prompt：

“给我生成训练数据。”

然后完事。

而是：

先生成 Task / Instruction
           ↓
再理解这个任务
           ↓
生成 Input + Output

这种解耦非常重要。

因为：

Task Diversity

和

Instance Correctness

其实是两个不同的问题。

3.5.3 非分类/开放式任务的实例生成

一、核心思路：顺向生成

• 对于非分类任务，不需要先定标签。
• 模型直接按照自然顺序生成：
  Instruction → Input（可为空）→ Output
• 这就是 Input-first / Direct Generation。

二、输入可以有，也可以没有

• 如果任务本身信息已经完整，可以直接生成 Output。
• 如果任务需要材料或上下文，模型会先生成 Input，再生成对应的 Output。

三、Few-shot 示例的作用

• Prompt 里先放几个示例，告诉模型该怎么写。

• 示例可以帮助模型学会：

  • 输出格式要规范
  • 回答要简洁清晰
  • 不同任务可以对应不同的表达形式

四、最后得到什么

• 这一步会产出一个完整样本：
  ⟨Instruction, Input, Output⟩
• 然后进入 Step 4（Filtering），做去重和格式检查。

一句话总结：
对于开放式任务，Self-Instruct 采用“顺向生成”方式，直接从指令出发，生成输入（可选）和输出，形成完整训练样本。

3.5.4 分类任务的实例生成

一、核心思路：标签先行

• 对于分类任务，先不给模型自由生成输入。
• 而是先指定一个 Class Label，再让模型生成符合这个标签的输入内容。
• 这就是 Output-first。

二、Few-shot 提示词怎么起作用

• Prompt 里先给几个示例：
  标签是什么 → 对应输入应该长什么样

• 比如：

  • mixed → 生成带有正反两面的句子
  • Promotion → 生成促销邮件

• 这样模型就会学会“按标签反推输入”。

三、这样做有什么价值

• 可以让每个类别都被主动生成到。
• 能减少模型总是偏向某一类的问题。
• 从而缓解 类别失衡（Class Imbalance），让数据更均衡。

四、最后得到什么

• 生成完成后，会得到标准样本：
  ⟨Instruction, Input, Output⟩
• 然后进入 Step 4（Filtering），做去重和格式检查。

一句话总结：
这个设计非常值得学。作者发现：如果所有任务都：

Instruction
   ↓
先生成 Input
   ↓
再生成 Output

对于分类任务会出现明显的 Label Bias。

例如：

判断一句话是否存在语法错误

模型可能总喜欢生成：

语法正确的句子

导致标签分布不均衡。

所以作者先进行：

Classification Task Identification

然后：

Classification
      ↓
Output-first

Non-classification
      ↓
Input-first

这是整篇论文中一个非常重要的工程创新。

3.5.5 过滤与质检

一、ROUGE-L 去重

• 新指令会和 Task Pool 中已有指令进行比较。
• ROUGE-L < 0.7：保留；≥ 0.7：删除。
• 主要作用是减少重复指令，保持任务多样性。

二、过滤不可执行任务

• 删除包含 image、picture、graph 等内容的指令。
• 因为纯文本模型无法真正处理图片或图表，避免生成无效训练数据。

三、检查逻辑一致性

• 如果出现相同/相似 Input，却对应矛盾 Output 的情况，需要过滤。
• 避免标签噪声影响模型训练。

四、过滤长度异常样本

• 太短：可能内容残缺、信息不足。
• 太长：可能出现重复生成或无关内容。
• 最终只保留长度合理、格式完整的高质量样本。

一句话总结：
Step 4 就是 Self-Instruct 的“质量守门员”：通过去重、规则过滤、冲突检查和长度控制，确保只有高质量、多样化的数据进入最终训练集。

四、模型评估

4.1、四种常见评测方式

• 人工评测：最可靠，但成本最高。
• LLM-as-a-Judge：速度快、成本低，适合大规模评测。
• 传统指标：如 BLEU、ROUGE、EM，适合有标准答案的任务。
• Benchmark / A/B Test：用于综合能力和真实线上效果验证。

4.1.1、核心问题：机评能不能代替人评？

不能直接相信大模型打分，需要先做一次人机一致性校准。

4.1.2、四步校准闭环

抽取 100 条样本 → 专家评分 S₁ → LLM 评分 S₂ → 比较相关性并修改 Judge Prompt

如果人评和机评分数差距较大，就继续调整 Prompt，直到二者高度一致。

4.1.3、最终目的

校准完成后，就可以把评测 Prompt 扩展到剩余的大规模测试集，实现：

少量人工校准 + 大规模自动评测

一句话总结：
先用少量人工评分把“LLM 裁判”校准好，再让它替代人工完成大规模评测，在成本、效率和可信度之间取得平衡。

4.2 传统NLP评价指标的两大致命缺陷:字面匹配≠语义理解

4.2.1、问题 1：语义相同，却被打低分

• Mike really loves drinking tea.
• Mike adores sipping tea.
• 两句话意思几乎一样，但词面重合较少，BLEU / ROUGE 可能给低分。

4.2.2、问题 2：语义相反，却被打高分

• Mike does not drink coffee.
• Mike does drink coffee.
• 两句话只差一个 not，字面很像，但意思完全相反，传统指标却可能给高分。

4.2.3、为什么会这样？

• BLEU、ROUGE 主要看词和 n-gram 的重合程度。
• 它们不真正理解同义改写、否定关系、逻辑和事实含义。
• 所以开放式生成更适合结合 BERTScore、语义相似度或 LLM-as-a-Judge。

一句话总结：
传统 Metric 只能看“像不像”，却不一定知道“对不对”，因此大模型评测必须进一步关注深层语义。

4.3 n-gram基础概念补充

4.3.1、什么是 n-gram？

• n-gram：把一句话按连续的 n 个词进行切分。
• n=1 是 Unigram，n=2 是 Bigram，n=3 是 Trigram。
• n 越大，对局部语序和词组搭配越敏感。

4.3.2、简单例子

句子：The dog lay on the rug

• 1-gram：The、dog、lay、on、the、rug
• 2-gram：The dog、dog lay、lay on、on the、the rug
• 3-gram：The dog lay、dog lay on……

本质上就是一个滑动窗口切词的过程。

4.3.3、它和 BLEU / ROUGE 有什么关系？

• BLEU：主要看预测文本和参考答案之间的 n-gram 匹配程度。
• ROUGE-1 / ROUGE-2：分别关注 1-gram、2-gram 的重合情况。
• 所以它们擅长判断“字面像不像”，但不一定真正理解“语义对不对”。

一句话总结：
n-gram 是传统文本评价指标的基础：先把句子切成连续词片段，再统计预测结果和参考答案之间有多少片段能够匹配。

4.4 ROUGE-1(基于 Unigram)计算原理与示例推导

4.4.1、先看词有没有匹配

参考答案：It is cold outside.
模型输出：It is very cold outside.

• Reference 一共 4 个词
• Output 一共 5 个词
• 匹配词数：4 个

4.4.2、ROUGE-1 怎么算

• Recall = 4 / 4 = 1.0
  看参考答案里的信息有没有被覆盖完整。
• Precision = 4 / 5 = 0.8
  看模型生成内容里有多少是“有效匹配”的。
• F1 ≈ 0.89
  综合平衡 Precision 和 Recall。

4.4.3、它的问题在哪里？

• very 虽然不影响整体语义，但因为 Reference 里没有，仍然会被“机械扣分”。
• 所以 ROUGE-1 本质上还是在看词面重合度，并不真正理解句子含义。

一句话总结：
ROUGE-1 就是先做 Unigram 匹配，再用 Recall、Precision 和 F1 衡量“覆盖多少、匹配多准、整体多平衡”。

4.5 ROUGE-1的致命盲区

4.5.1、事实完全错，但 ROUGE-1 还是很高

• Reference：It is cold outside.
• Generated：It is not cold outside.
• 人类一看就知道意思完全相反，但 4 个词仍然匹配。

4.5.2、为什么还能得到 0.89？

• Recall = 4 / 4 = 1.0
• Precision = 4 / 5 = 0.8
• F1 ≈ 0.89
• ROUGE-1 只看到多了一个 not，却不知道这个词把整句话的语义翻转了。

4.5.3、这说明什么？

• ROUGE-1 本质上只是做词面重合统计。
• 它不理解否定、逻辑和事实关系。
• 所以大模型评测不能只依赖 BLEU / ROUGE，还需要结合 BERTScore、NLI 或 LLM-as-a-Judge。

一句话总结：
一句话只多了一个 not，语义已经完全相反，但 ROUGE-1 仍可能给出高分，这正是纯字面指标最大的盲区。

4.6 ROUGE-2(基于 Bigram)计算原理与实例推导:更加关注“局部语序”

4.6.1、ROUGE-2 看的是相邻词对

参考答案：It is cold outside.
模型输出：It is very cold outside.

• Reference Bigram：It is、is cold、cold outside
• Output Bigram：It is、is very、very cold、cold outside
• 最终只匹配 2 个 Bigram

4.6.2、ROUGE-2 怎么算

• Recall = 2 / 3 ≈ 0.67
• Precision = 2 / 4 = 0.50
• F1 ≈ 0.57

相比 ROUGE-1 的 0.89，分数明显下降。

4.6.3、为什么下降这么多？

• ROUGE-2 开始考虑局部语序，比 ROUGE-1 更严格。
• 插入一个 very，不仅新增了词，还会把原来的 is cold 拆开。
• 所以它更能发现词序变化，但也容易误伤正常的修饰和改写。

一句话总结：
ROUGE-2 用 Bigram 检查“相邻两个词是否一致”，比 ROUGE-1 更关注语序，但也对插词和改写更加敏感。

4.7 ROUGE-L(基于 LCS)-计算原理与实例推导:用最长公共子序列衡量句子结构相似度

4.7.1、ROUGE-L 看什么？

• ROUGE-L 的 L 指 LCS（最长公共子序列）。
• 它不要求词必须连续，只要求前后顺序保持一致。
• 所以它比 ROUGE-2 对中间插词更宽容。

4.7.2、标准算例怎么计算？

Reference：It is cold outside.
Output：It is very cold outside.

标准 LCS 是：It → is → cold → outside，长度为 4。

• Recall = 4 / 4 = 1.0
• Precision = 4 / 5 = 0.8
• F1 ≈ 0.89

4.7.3、和 ROUGE-1 / ROUGE-2 有什么区别？

• ROUGE-1：看单词是否出现，不管顺序。
• ROUGE-2：看相邻两个词，局部语序最严格。
• ROUGE-L：看整句的相对顺序和骨干结构，更有弹性。

一句话总结：
ROUGE-L 就是在两句话里寻找“顺序一致的最长共同词序列”，比 ROUGE-2 更能容忍插词，但仍然不真正理解深层语义。

4.8 字面指标的两大致命漏洞：复读机作弊&乱序假满分 ---- 以及截断匹配(Clipped)修正与局限

4.8.1、漏洞 1：复读也可能“刷高分”

Reference：It is cold outside.
Output：cold cold cold cold

如果只做最朴素的词匹配，4 个 cold 都可能被重复计数，看起来 Precision 很高。

4.8.2、怎么修？——Clipped / Modified Precision

• cold 在 Reference 中只出现 1 次。
• 所以即使 Output 写了 4 次，也最多只算 1 次有效匹配。
• 修正后：Precision = 1 / 4 = 0.25

这样可以有效惩罚“复读机”式退化输出。

4.8.3、但还有一个问题：语序

Output：outside cold it is

• 4 个词都来自 Reference，Unigram 仍可能得到很高分。
• 但句子语序已经完全乱掉。
• 说明 Clipping 能防重复，却不能解决 Unigram 不看词序的问题。

一句话总结：
Clipped Precision 能堵住“重复刷分”的漏洞，但只要还停留在 Unigram 层面，就依然看不懂语序，因此还需要 Bigram、ROUGE-L 或更强的语义评测方法。

4.9 GPT、Alpaca、Vicuna关系图谱:羊驼家族的“师承”与“进化”

4.9.1、四者是什么关系？

• GPT：闭源强模型，提供能力参考，也曾被用来生成训练数据。
• LLaMA：Meta 的基础模型，是 Alpaca、Vicuna 的“底座”。
• Alpaca / Vicuna：都是在 LLaMA 上继续做指令微调得到的对话模型。

4.9.2、Alpaca 和 Vicuna 最大区别

• Alpaca：主要用约 52K 条机器合成指令数据进行 SFT，更像“让 LLaMA 学会听指令”。
• Vicuna：主要使用 ShareGPT 多轮真实对话数据训练，更强调自然对话和多轮交互。

4.9.3、可以怎么理解？

可以把它看成：

GPT → 提供能力/数据参考
LLaMA → 提供基础模型
LLaMA + Alpaca 数据 → Alpaca
LLaMA + ShareGPT 对话 → Vicuna

一句话总结：
GPT 更像“老师”，LLaMA 是“基础学生”，Alpaca 和 Vicuna 则是在同一底座上、用不同教材训练出来的两种指令模型。

五、总计