我要投稿

LLM大模型的微调原理以及ChatGPT的API微调操作实践

发布日期：2024-08-13 22:27:53 浏览次数： 2380 作者：平凡的平凡

我用ChatGPT提供的API做过微调，一共跑了138轮，最后的loss降得还算平稳。

（具体操作方法在文末）

最后花了0.09美元。

我想要实现的是让ChatGPT输出的语气语调要带有「道家思想」，下面是我之前做的测试。

我问它「如何应对压力？」

经过微调后的ChatGPT给我的回答：应对压力要心无杂念。

庄子说“无忧无虑，何须畏忧”。

这就是我要的效果，因为最原始的ChatGPT做不了某些特定需求的工作，比如说它对于中国的古诗词的效果就不太好，大概率是因为它的训练数据中没有包含全部的古诗词，所以微调fine-tuning、RAG、Prompt工程其实都是在原有的模型上打补丁。

其实微调很好理解，就是一个高考完的学生，天文地理都懂一些，但是让他们干某一件具体的的事情，比如从切菜、配料和炒菜这样的活他们是干不了的。

他们知道刀可以切菜，但是什么菜怎么切最好是没有经验的；炒菜也一样，他们的物理化学肯定学了高温下的化学反应，但是具体的菜什么火候他们并不懂，所以需要做一下专项训练，也就是微调。

这也是大模型各种补丁的主要作用，就是应对「特殊的需求/没有见过的问题/调整一下输出的形式」，根据OpenAI的官方介绍，微调适用于以下五种情况：

调整写作风格、语气、格式等
提高生成正确结果的稳定性
修正模型在复杂提示下的表现
处理一些特殊的、意外的情况
学习和执行在提示中无法明确说明的新技能或任务

我的例子其实就是第一种，仅仅是对风格和语气进行调整。

实际上用OpenAI的API微调非常的简单，就这么简单的几步：

确定需要微调的模型。
准备并上传训练数据。
训练新的微调模型。
评估结果，并根据需要决定是否重新训练。
使用微调后的模型。

在对OpenAI的API进行微调时，我遇到的最大问题是准备数据集，因为其他步骤基本上都是自动化的。

这是我准备的数据集，你可以看到跟训练好的GPT的输出非常的像，因为这就是我要的效果。

{"messages": [{"role": "system", "content": "道言是一个基于道家思想和语录回答问题的聊天机器人。"}, {"role": "user", "content": "如何找到内心的平静？"}, {"role": "assistant", "content": "内心的平静在于清心寡欲。正如庄子所言：'淡泊以明志，宁静以致远。'"}]} {"messages": [{"role": "system", "content": "道言是一个基于道家思想和语录回答问题的聊天机器人。"}, {"role": "user", "content": "如何面对挫折？"}, {"role": "assistant", "content": "面对挫折，要像水一样柔韧。老子说：'上善若水，水善利万物而不争。'"}]}

数据集的质量实际上决定了微调后模型的效果。总体来说，用现成的微调工具，比如说OpenAI的会非常的简单，效果是由你的数据决定的。

但是有一个问题，那就是OpenAI的模型都是闭源的，如果你的数据是保密的或者说不能承受数据泄露的风险，那必须使用开源大模型，比如Llama或者Qwen系列。

其实不管开源还是闭源大模型，微调是刚需，因为没办法一次性把所有的知识都灌输给大模型，毕竟每天都有新的知识产生，所以才有了各种各样的「打补丁」方式，提供了微调接口的大模型操作起来非常的简单，但是不了解原理的话还是会难以操作，以下是常见的大模型微调方法。

全量微调（Full Fine Tuning, FFT）

这种方法重新训练模型的所有参数，以适应新的任务或领域。虽然性能提升显著，但需要大量计算资源和时间，且存在灾难性遗忘的风险，即模型可能忘记预训练时学到的通用知识。

参数高效微调（Parameter-Efficient Fine Tuning, PEFT）

PEFT旨在减少微调的计算成本，通过调整模型的一小部分参数或添加额外参数来适应新任务。包括以下策略：

Prompt Tuning：不改变模型参数，为每个任务训练小型附加参数，这些参数影响输入的表示。
Prefix Tuning：在模型输入序列前添加固定长度的向量或“前缀”，这些向量在训练中被优化，引导模型产生特定于任务的输出。
LoRA（Low-Rank Adaptation）：通过低秩分解添加和训练少量参数，以适应新任务，实现快速适应和轻松切换不同任务。

监督式微调（Supervised Fine Tuning, SFT）

使用带标签的数据集，通过传统监督学习方式对模型进行微调。

基于人类反馈的强化学习微调（Reinforcement Learning with Human Feedback, RLHF）

结合人类反馈，通过强化学习调整模型，使其输出更符合人类期望。

基于AI反馈的强化学习微调（Reinforcement Learning with AI Feedback, RLAIF）

类似于RLHF，但反馈来源是AI系统，旨在提高反馈效率和降低成本。

其实除了微调之外，RAG（Retrieval-Augmented Generation）也非常的火，因为它相当于考试的时候带了参考书，这也是很多需要严谨回答时候采用的方法。

Verba是一个可以兼容很多个模型且直接可用的RAG工具。

它可以支持大多数主流大模型，以及可以做多种文件类型的支持。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-04-22

超详细使用Ollama本地部署Deepseek

2025-04-22

大模型微调：Prompt-Tuning

2025-04-22

手把手教你如何集群部署大模型

2025-04-22

vLLM部署QwQ-32B（GPU版）

2025-04-22

企业私有大模型DeepSeek落地部署该用什么? Ollama还是vLLM

2025-04-21

“算法备案与大模型备案：你们是否已完成双备案？”

2025-04-21

vLLM部署Deepseek（CPU版）踩坑记录（失败经验贴）

2025-04-21

一台3090就能跑Gemma 3 27B！谷歌发布Gemma 3全系QAT版模型

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

一文读懂DeepSeek-R1本地部署配置要求（建议收藏）

2025-02-04

DeepSeek R1 671B 完整版本地部署教程来了！！！

2025-02-04

太爽了！o1 现在可以天天享用了

2024-09-18

万字综述 10+ 种 LLM 投机采样推理加速方案

2024-07-11

微调神器LLaMA-Factory官方保姆级教程来了，从环境搭建到模型训练评估全覆盖

2024-07-09

FP8 低精度训练：Transformer Engine 简析

2024-07-11

彻底理解系列之：FP32、FP16、TF32、BF16、混合精度

2024-07-26

别被Deepseek低成本冲昏头！本地化部署后续的“甜蜜陷阱”，你真能扛住吗？

2025-02-05

ollama 部署 deepseek-r1 70B 模型完整指南

2025-01-27

o3-mini 完全指南：一个被 DeepSeek 破大防的模型

2025-02-01

大家都在问

MCP vs Function Calling，该如何选？

2025-04-20

RAGFlow vs Dify, 商业化落地场景选哪个？

2025-04-01

如何利用Dify轻松构建你的专属语料库？

2025-03-31

从 0 到 1，Agentic Ops 如何打造企业级 AI 生产力？

2025-03-20

DeepSeek-R1的Qwen-32B蒸馏模型与QwQ-32B模型，谁更强？

2025-03-16

部署DeepSeek的4条路，企业级客户到底该咋走？

2025-03-16

谷歌Gemma 3 27b 到底能不能打，写个游戏测试下？

2025-03-13

强化学习(RL)是什么? 它和微调有什么区别?

2025-03-13

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

应聘简历请发送至： ceo@53ai.com

友情链接：

CopyRight © 2012-2024 深圳市博思协创网络科技有限公司版权所有

粤ICP备17114055号

广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）

深圳：深圳市福田区泰然四路29号天安创新科技广场一期A座1204

上海：上海市浦东新区金新路58号1602室

微信扫码
和创始人交个朋友

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部