🏠 Главная › user guide › mlops training trl fine tuning

{/ Эта страница автоматически создается на основе файла SKILL.md навыка с помощью сайта site/scripts/generate-skill-docs.py. Редактируйте исходный код SKILL.md, а не эту страницу. /}

Тонкая настройка с помощью Trl

TRL: SFT, DPO, PPO, GRPO, моделирование вознаграждений для LLM RLHF.

Метаданные навыков
Источник Необязательно — установите с помощью hermesskills installofficial/mlops/trl-fine-tuning
Путь optional-skills/mlops/training/trl-fine-tuning
Версия 1.0.0
Автор Исследование оркестра
Лицензия Массачусетский технологический институт
Зависимости trl, трансформеры, наборы данных, peft, ускорение, факел
Платформы Linux, MacOS, Windows
Теги «Пост-обучение», «TRL», «Обучение с подкреплением», «Точная настройка», «SFT», «DPO», «PPO», «GRPO», «RLHF», «Выравнивание предпочтений», «HuggingFace»

Ссылка: полная версия SKILL.md:::информация

Ниже приведено полное определение навыка, которое Гермес загружает при активации этого навыка. Это то, что агент видит в качестве инструкций, когда навык активен.

TRL — Обучение армированию трансформаторов

Быстрый старт

TRL предоставляет методы постобучения для согласования языковых моделей с предпочтениями человека.

Установка:

pip install trl transformers datasets peft accelerate

Контролируемая точная настройка (настройка по инструкции):

from trl import SFTTrainer

trainer = SFTTrainer(
    model="Qwen/Qwen2.5-0.5B",
    train_dataset=dataset,  # Prompt-completion pairs
)
trainer.train()

DPO (в соответствии с предпочтениями):

from trl import DPOTrainer, DPOConfig

config = DPOConfig(output_dir="model-dpo", beta=0.1)
trainer = DPOTrainer(
    model=model,
    args=config,
    train_dataset=preference_dataset,  # chosen/rejected pairs
    processing_class=tokenizer
)
trainer.train()

Общие рабочие процессы

Рабочий процесс 1: Полный конвейер RLHF (SFT → Модель вознаграждения → PPO)

Полный конвейер от базовой модели до модели, ориентированной на человека.

Скопируйте этот контрольный список:

RLHF Training:
- [ ] Step 1: Supervised fine-tuning (SFT)
- [ ] Step 2: Train reward model
- [ ] Step 3: PPO reinforcement learning
- [ ] Step 4: Evaluate aligned model

Шаг 1. Контролируемая точная настройка

Обучить базовую модель на данных, следующих инструкциям:

from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import SFTTrainer, SFTConfig
from datasets import load_dataset

# Load model
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-0.5B")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-0.5B")

# Load instruction dataset
dataset = load_dataset("trl-lib/Capybara", split="train")

# Configure training
training_args = SFTConfig(
    output_dir="Qwen2.5-0.5B-SFT",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=2e-5,
    logging_steps=10,
    save_strategy="epoch"
)

# Train
trainer = SFTTrainer(
    model=model,
    args=training_args,
    train_dataset=dataset,
    tokenizer=tokenizer
)
trainer.train()
trainer.save_model()

Шаг 2. Модель вознаграждения за обучение

Модель обучения для прогнозирования предпочтений человека:

from transformers import AutoModelForSequenceClassification
from trl import RewardTrainer, RewardConfig

# Load SFT model as base
model = AutoModelForSequenceClassification.from_pretrained(
    "Qwen2.5-0.5B-SFT",
    num_labels=1  # Single reward score
)
tokenizer = AutoTokenizer.from_pretrained("Qwen2.5-0.5B-SFT")

# Load preference data (chosen/rejected pairs)
dataset = load_dataset("trl-lib/ultrafeedback_binarized", split="train")

# Configure training
training_args = RewardConfig(
    output_dir="Qwen2.5-0.5B-Reward",
    per_device_train_batch_size=2,
    num_train_epochs=1,
    learning_rate=1e-5
)

# Train reward model
trainer = RewardTrainer(
    model=model,
    args=training_args,
    processing_class=tokenizer,
    train_dataset=dataset
)
trainer.train()
trainer.save_model()

Шаг 3. Обучение с подкреплением PPO

Оптимизация политики с использованием модели вознаграждения:

python -m trl.scripts.ppo \
    --model_name_or_path Qwen2.5-0.5B-SFT \
    --reward_model_path Qwen2.5-0.5B-Reward \
    --dataset_name trl-internal-testing/descriptiveness-sentiment-trl-style \
    --output_dir Qwen2.5-0.5B-PPO \
    --learning_rate 3e-6 \
    --per_device_train_batch_size 64 \
    --total_episodes 10000

Шаг 4. Оценка

from transformers import pipeline

# Load aligned model
generator = pipeline("text-generation", model="Qwen2.5-0.5B-PPO")

# Test
prompt = "Explain quantum computing to a 10-year-old"
output = generator(prompt, max_length=200)[0]["generated_text"]
print(output)

Рабочий процесс 2: простое согласование предпочтений с помощью DPO

Приведите модель в соответствие с моделью предпочтений без вознаграждения.

Скопируйте этот контрольный список:

DPO Training:
- [ ] Step 1: Prepare preference dataset
- [ ] Step 2: Configure DPO
- [ ] Step 3: Train with DPOTrainer
- [ ] Step 4: Evaluate alignment

Шаг 1. Подготовьте набор данных о предпочтениях

Формат набора данных:

{
  "prompt": "What is the capital of France?",
  "chosen": "The capital of France is Paris.",
  "rejected": "I don't know."
}

Загрузить набор данных:

from datasets import load_dataset

dataset = load_dataset("trl-lib/ultrafeedback_binarized", split="train")
# Or load your own
# dataset = load_dataset("json", data_files="preferences.json")

Шаг 2. Настройте DPO

from trl import DPOConfig

config = DPOConfig(
    output_dir="Qwen2.5-0.5B-DPO",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=5e-7,
    beta=0.1,  # KL penalty strength
    max_prompt_length=512,
    max_length=1024,
    logging_steps=10
)

Шаг 3. Тренируйтесь с DPOtrainer

from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import DPOTrainer

model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-0.5B-Instruct")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-0.5B-Instruct")

trainer = DPOTrainer(
    model=model,
    args=config,
    train_dataset=dataset,
    processing_class=tokenizer
)

trainer.train()
trainer.save_model()

Альтернатива CLI:

trl dpo \
    --model_name_or_path Qwen/Qwen2.5-0.5B-Instruct \
    --dataset_name argilla/Capybara-Preferences \
    --output_dir Qwen2.5-0.5B-DPO \
    --per_device_train_batch_size 4 \
    --learning_rate 5e-7 \
    --beta 0.1

Рабочий процесс 3: онлайн-RL с эффективным использованием памяти с помощью GRPO

Тренируйтесь с помощью обучения с подкреплением, используя минимум памяти.

Подробное руководство GRPO — проектирование функции вознаграждения, важные сведения о обучении (поведение при потерях, коллапс режима, настройка) и расширенные многоэтапные шаблоны — см. references/grpo-training.md. Готовый к использованию сценарий обучения находится в templates/basic_grpo_training.py.

Скопируйте этот контрольный список:

GRPO Training:
- [ ] Step 1: Define reward function
- [ ] Step 2: Configure GRPO
- [ ] Step 3: Train with GRPOTrainer

Шаг 1. Определите функцию вознаграждения

def reward_function(completions, **kwargs):
    """
    Compute rewards for completions.

    Args:
        completions: List of generated texts

    Returns:
        List of reward scores (floats)
    """
    rewards = []
    for completion in completions:
        # Example: reward based on length and unique words
        score = len(completion.split())  # Favor longer responses
        score += len(set(completion.lower().split()))  # Reward unique words
        rewards.append(score)
    return rewards

Или используйте модель вознаграждения:

from transformers import pipeline

reward_model = pipeline("text-classification", model="reward-model-path")

def reward_from_model(completions, prompts, **kwargs):
    # Combine prompt + completion
    full_texts = [p + c for p, c in zip(prompts, completions)]
    # Get reward scores
    results = reward_model(full_texts)
    return [r["score"] for r in results]

Шаг 2. Настройте GRPO

from trl import GRPOConfig

config = GRPOConfig(
    output_dir="Qwen2-GRPO",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=1e-5,
    num_generations=4,  # Generate 4 completions per prompt
    max_new_tokens=128
)

Шаг 3. Тренируйтесь с GRPOTrainer

from datasets import load_dataset
from trl import GRPOTrainer

# Load prompt-only dataset
dataset = load_dataset("trl-lib/tldr", split="train")

trainer = GRPOTrainer(
    model="Qwen/Qwen2-0.5B-Instruct",
    reward_funcs=reward_function,  # Your reward function
    args=config,
    train_dataset=dataset
)

trainer.train()

Интерфейс командной строки:

trl grpo \
    --model_name_or_path Qwen/Qwen2-0.5B-Instruct \
    --dataset_name trl-lib/tldr \
    --output_dir Qwen2-GRPO \
    --num_generations 4

Когда использовать альтернативы

Используйте TRL, когда: - Необходимо привести модель в соответствие с предпочтениями человека. - Иметь данные о предпочтениях (выбранные/отклоненные пары) - Хотите использовать обучение с подкреплением (PPO, GRPO) - Необходимо обучение модели вознаграждения - Выполнение RLHF (полный конвейер)

Выбор метода: - SFT: есть пары «подсказка-завершение», требуется выполнение основных инструкций. - DPO: есть предпочтения, требуется простое согласование (модель вознаграждения не требуется) - PPO: есть модель вознаграждения, нужен максимальный контроль над RL. - GRPO: ограничена память, требуется онлайн-RL. - Модель вознаграждения: создание конвейера RLHF, необходимо подсчитать количество поколений.

Вместо этого используйте альтернативы: - HuggingFace Trainer: базовая точная настройка без RL. - Аксолотль: конфигурация обучения на основе YAML. - LitGPT: обучающее, минимальная тонкая настройка. - Unsloth: быстрое обучение LoRA.

Распространенные проблемы

Проблема: OOM во время обучения DPO

Уменьшите размер пакета и длину последовательности:

config = DPOConfig(
    per_device_train_batch_size=1,  # Reduce from 4
    max_length=512,  # Reduce from 1024
    gradient_accumulation_steps=8  # Maintain effective batch
)

Или используйте контрольную точку градиента:

model.gradient_checkpointing_enable()

Проблема: плохое качество выравнивания

Настройте бета-параметр:

# Higher beta = more conservative (stays closer to reference)
config = DPOConfig(beta=0.5)  # Default 0.1

# Lower beta = more aggressive alignment
config = DPOConfig(beta=0.01)

Проблема: модель вознаграждения не обучается

Проверьте тип потери и скорость обучения:

config = RewardConfig(
    learning_rate=1e-5,  # Try different LR
    num_train_epochs=3  # Train longer
)

Убедитесь, что в наборе данных предпочтений есть явные победители:

# Verify dataset
print(dataset[0])
# Should have clear chosen > rejected

Проблема: обучение PPO нестабильно

Отрегулируйте коэффициент KL:

config = PPOConfig(
    kl_coef=0.1,  # Increase from 0.05
    cliprange=0.1  # Reduce from 0.2
)

Расширенные темы

Руководство по обучению SFT: см. references/sft-training.md для получения информации о форматах наборов данных, шаблонах чатов, стратегиях упаковки и обучении с использованием нескольких графических процессоров.

Варианты DPO: см. references/dpo-variants.md для IPO, cDPO, RPO и других функций потери DPO с рекомендуемыми гиперпараметрами.

Моделирование вознаграждения: см. references/reward-modeling.md для получения информации о вознаграждениях за результат и процесс, потерях Брэдли-Терри и оценке модели вознаграждения.

Методы онлайн-RL: см. references/online-rl.md для PPO, GRPO, RLOO и OnlineDPO с подробными настройками.

Подробное погружение в GRPO: шаблоны GRPO экспертного уровня см. в references/grpo-training.md — философия разработки функций вознаграждения, идеи обучения (почему увеличиваются потери, обнаружение коллапса режима), настройка гиперпараметров, многоэтапное обучение и устранение неполадок. Готовый к использованию шаблон в templates/basic_grpo_training.py.

Требования к оборудованию

Оптимизация памяти: - Используйте LoRA/QLoRA для всех методов. - Включить контрольную точку градиента - Используйте меньшие размеры партий с накоплением градиента.

Ресурсы