ORPO是一种令人兴奋的新型微调技术，它将传统的监督微调与偏好对齐阶段结合成一个单一的过程。这样可以减少训练所需的计算资源和时间。此外，实证结果表明，ORPO在不同的模型大小和基准测试中都优于其他对齐方法。

在这篇文章中，我们将使用ORPO技术对新的Llama 3 8B模型进行微调，使用TRL库。代码可以在Google Colab上找到，也可以在GitHub上的LLM课程中找到。

⚖️ ORPO 指令微调和偏好对齐是适应大型语言模型（LLMs）到特定任务的关键技术。传统上，这涉及到一个多阶段过程：1/ 通过监督微调（SFT）来适应目标领域的模型，然后2/ 通过强化学习与人反馈（RLHF）或直接偏好优化（DPO）等偏好对齐方法来增加生成首选响应而非被拒绝响应的可能性。

然而，研究人员已经发现了这种方法的一个局限性。虽然监督微调（SFT）有效地使模型适应了期望的领域，但它无意中增加了生成不良答案以及首选答案的概率。这就是为什么偏好对齐阶段是必要的，它用于扩大首选输出和被拒绝输出之间的可能性差距。

由Hong和Lee于2024年提出的ORPO，通过将指令微调和偏好对齐结合到一个单一的、整体的训练过程中，为这个问题提供了一个优雅的解决方案。ORPO修改了标准的 language modeling 目标，将负对数似然损失与一个赔率比（OR）项结合起来。这个OR损失轻微地惩罚被拒绝的响应，同时强烈地奖励首选的响应，允许模型同时学习目标任务并与人类偏好对齐。

ORPO已经在主要的微调库中实现，如TRL、Axolotl和LLaMA-Factory。在下一节中，我们将看到如何使用TRL。

? 使用ORPO微调Llama 3 Llama 3是Meta开发的最新大型语言模型（LLMs）系列。这些模型是在包含15万亿个标记的庞大数据集上训练的（相比之下，Llama 2是在2万亿个标记上训练的）。已经发布了两种模型大小：一个700亿参数的模型和一个较小的80亿参数的模型。70B模型已经展现出令人印象深刻的性能，在MMLU基准测试中得分为82，在HumanEval基准测试中得分为81.7。

Llama 3模型还将上下文长度增加到最多8,192个标记（对于Llama 2是4,096个标记），并且有可能通过RoPE扩展到32k。此外，这些模型使用了一个新的分词器，拥有128K个标记的词汇量，将编码文本所需的标记数量减少了15%。这个词汇量也解释了从7B到8B参数的增加。

ORPO需要一个偏好数据集，包括一个提示、一个被选择的答案和一个被拒绝的答案。在这个例子中，我们将使用mlabonne/orpo-dpo-mix-40k，这是以下高质量DPO数据集的组合：

1. argilla/distilabel-capybara-dpo-7k-binarized：高分被选答案 >=5（2882个样本）

2. argilla/distilabel-intel-orca-dpo-pairs：高分被选答案 >=9，不在GSM8K中（2299个样本）

3. argilla/ultrafeedback-binarized-preferences-cleaned：高分被选答案 >=5（22799个样本）

4. argilla/distilabel-math-preference-dpo：高分被选答案 >=9（2181个样本）

5. unalignment/toxic-dpo-v0.2（541个样本）

6. M4-ai/prm_dpo_pairs_cleaned（7958个样本）

7. jondurbin/truthy-dpo-v0.1（1016个样本）

感谢argilla, unalignment, M4-ai和jondurbin提供源数据集。

像往常一样，让我们从安装所需库开始：

pip install -U transformers datasets accelerate peft trl bitsandbytes wandb

一旦安装完成，我们可以导入必要的库并登录到W&B（可选）：

import gcimport os
import torchimport wandbfrom datasets import load_datasetfrom google.colab import userdatafrom peft import LoraConfig, PeftModel, prepare_model_for_kbit_trainingfrom transformers import (AutoModelForCausalLM,AutoTokenizer,BitsAndBytesConfig,TrainingArguments,pipeline,)from trl import ORPOConfig, ORPOTrainer, setup_chat_formatwb_token = userdata.get('wandb')wandb.login(key=wb_token)

如果你有一块较新的GPU，你还应该能够使用Flash Attention库来替换默认的eager attention实现，以获得更高效的性能。

if torch.cuda.get_device_capability()[0] >= 8:!pip install -qqq flash-attnattn_implementation = "flash_attention_2"torch_dtype = torch.bfloat16else:attn_implementation = "eager"torch_dtype = torch.float16

在以下内容中，我们将加载Llama 3 8B模型，并利用bitsandbytes以4位精度进行设置。然后我们使用PEFT为QLoRA设置LoRA配置。我还使用了方便的setup_chat_format()函数来修改模型和分词器以支持ChatML。它会自动应用这个聊天模板，添加特殊标记，并调整模型的嵌入层大小以匹配新的词汇表大小。

请注意，您需要提交请求以访问meta-llama/Meta-Llama-3-8B，并登录到您的Hugging Face账户。或者，您可以加载未加限制的模型副本，如NousResearch/Meta-Llama-3-8B。

# Modelbase_model = "meta-llama/Meta-Llama-3-8B"new_model = "OrpoLlama-3-8B"
# QLoRA configbnb_config = BitsAndBytesConfig(load_in_4bit=True,bnb_4bit_quant_type="nf4",bnb_4bit_compute_dtype=torch_dtype,bnb_4bit_use_double_quant=True,)
# LoRA configpeft_config = LoraConfig(r=16,lora_alpha=32,lora_dropout=0.05,bias="none",task_type="CAUSAL_LM",target_modules=['up_proj', 'down_proj', 'gate_proj', 'k_proj', 'q_proj', 'v_proj', 'o_proj'])
# Load tokenizertokenizer = AutoTokenizer.from_pretrained(base_model)
# Load modelmodel = AutoModelForCausalLM.from_pretrained(base_model,quantization_config=bnb_config,device_map="auto",attn_implementation=attn_implementation)model, tokenizer = setup_chat_format(model, tokenizer)model = prepare_model_for_kbit_training(model)

现在模型已经准备好进行训练，我们可以处理数据集了。我们加载mlabonne/orpo-dpo-mix-40k，并使用apply_chat_template()函数将“chosen”和“rejected”列转换为ChatML格式。请注意，我只使用了1000个样本，而不是整个数据集，因为运行整个数据集会花费太长时间。

dataset_name = "mlabonne/orpo-dpo-mix-40k"dataset = load_dataset(dataset_name, split="all")dataset = dataset.shuffle(seed=42).select(range(1000))
def format_chat_template(row):row["chosen"] = tokenizer.apply_chat_template(row["chosen"], tokenize=False)row["rejected"] = tokenizer.apply_chat_template(row["rejected"], tokenize=False)return row
dataset = dataset.map(format_chat_template,num_proc= os.cpu_count(),)dataset = dataset.train_test_split(test_size=0.01)

首先，我们需要设置一些超参数：

学习率：与传统的监督微调（SFT）甚至直接偏好优化（DPO）相比，ORPO使用非常低的学习率。这个值8e-6来自原始论文，大致对应于SFT的学习率为1e-5和DPO的学习率为5e-6。对于真正的微调，我建议将其增加到大约1e-6。

beta：它是论文中的λ参数，默认值为0.1。原始论文的一个附录展示了如何通过消融研究选择它。

其他参数，如max_length和batch size，设置为尽可能多地使用VRAM（在这个配置中约为20 GB）。理想情况下，我们会训练模型3-5个时代，但我们这里只坚持1个。

最后，我们可以使用ORPOTrainer来训练模型，它充当一个包装器。

orpo_args = ORPOConfig(learning_rate=8e-6,beta=0.1,lr_scheduler_type="linear",max_length=1024,max_prompt_length=512,per_device_train_batch_size=2,per_device_eval_batch_size=2,gradient_accumulation_steps=4,optim="paged_adamw_8bit",num_train_epochs=1,evaluation_strategy="steps",eval_steps=0.2,logging_steps=1,warmup_steps=10,report_to="wandb",output_dir="./results/",)
trainer = ORPOTrainer(model=model,args=orpo_args,train_dataset=dataset["train"],eval_dataset=dataset["test"],peft_config=peft_config,tokenizer=tokenizer,)
trainer.train()trainer.save_model(new_model)

在这些1000个样本上训练模型大约在L4 GPU上花费了2个小时。让我们检查一下W&B的图表：

虽然损失在下降，但被选择的答案和被拒绝的答案之间的差异并不明显：平均边距和准确率仅略高于零和0.5。

在原始论文中，作者们在Anthropic/hh-rlhf数据集（161k样本）上训练了模型10个时代，这比我们的快速运行要长得多。他们还尝试了Llama 3，并慷慨地与我分享了他们的日志（感谢Jiwoo Hong）。

为了结束这个教程，让我们将QLoRA适配器与基础模型合并，并将其推送到Hugging Face Hub。

# Flush memorydel trainer, modelgc.collect()torch.cuda.empty_cache()
# Reload tokenizer and modeltokenizer = AutoTokenizer.from_pretrained(base_model)model = AutoModelForCausalLM.from_pretrained(base_model,low_cpu_mem_usage=True,return_dict=True,torch_dtype=torch.float16,device_map="auto",)model, tokenizer = setup_chat_format(model, tokenizer)
# Merge adapter with base modelmodel = PeftModel.from_pretrained(model, new_model)model = model.merge_and_unload()model.push_to_hub(new_model, use_temp_dir=False)tokenizer.push_to_hub(new_model, use_temp_dir=False)

恭喜，我们完成了Llama 3的快速微调：mlabonne/OrpoLlama-3–8B。你可以使用这个Hugging Face Space来试用它（这里有一个笔记本供你自己制作）。尽管模型训练不足，正如W&B曲线所突显的那样，我还是在Nous的基准测试套件上进行了一些评估，使用了LLM AutoEval。

我们的ORPO微调实际上相当不错，并在每个基准测试中提高了基础模型的性能。这是令人鼓舞的，很可能意味着在整个40k样本上进行微调会产生很好的结果。

对于开源社区来说，这是一个激动人心的时刻，越来越多高质量的开源权重模型正在发布。闭源和开源代码之间的差距正在慢慢缩小，微调是获得最佳性能以适应你的用例的关键工具。

结论 在本文中，我们介绍了ORPO算法，并解释了它如何将SFT和偏好对齐阶段统一到一个单一的过程中。然后，我们使用TRL对Llama 3 8B模型进行了微调，以适应自定义的偏好数据集。最终模型显示出鼓舞人心的结果，并突出了ORPO作为一种新的微调范式的潜力。