被OpenAI帶火的強(qiáng)化微調(diào)RFT技術(shù)解析
OpenAI年終大戲第二場推出了強(qiáng)化微調(diào)RFT (Reinforcement Fine-Tuning)，它可以讓你用幾十到幾千個的訓(xùn)練數(shù)據(jù)，為特定的復(fù)雜任務(wù)構(gòu)建專家模型，加強(qiáng)了模型如何處理類似問題的推理，微調(diào)后的o1-mini得分提高80%，反超o1正式版！
強(qiáng)化微調(diào)技術(shù)的一種實(shí)現(xiàn)方式：首先通過監(jiān)督式微調(diào)（Supervised Fine-Tuning）對模型進(jìn)行預(yù)熱，然后利用在線強(qiáng)化學(xué)習(xí)，特別是PPO算法，進(jìn)一步微調(diào)模型。這種方法能夠自動采樣多種推理路徑，并從真實(shí)答案中自然派生出獎勵信號。
SFT和ReFT在CoT替代方案存在時的比較
強(qiáng)化微調(diào)（RFT）的兩個主要階段：預(yù)熱階段和強(qiáng)化學(xué)習(xí)階段。
- 預(yù)熱階段（Warm-up）：
- 在這個階段，模型使用包含“問題（question）”和“思維鏈（Chain-of-Thought，CoT）”元組的數(shù)據(jù)集進(jìn)行微調(diào)，通常持續(xù)1-2個epoch。
- 目的是使模型具備基本的問題解決能力，能夠生成適當(dāng)?shù)捻憫?yīng)。
- CoT生成過程被分解為一系列預(yù)測下一個詞（token）的動作，直到生成結(jié)束符（<eos>）。
- 強(qiáng)化學(xué)習(xí)階段（Reinforcement Learning）：
- 在這個階段，模型通過在線自我學(xué)習(xí)的方式提高性能，使用包含“問題（question）”和“答案（answer）”元組的數(shù)據(jù)集。
- 模型通過重復(fù)采樣響應(yīng)、評估響應(yīng)的答案正確性，并在線更新其參數(shù)。
- 使用PPO（Proximal Policy Optimization）算法進(jìn)行訓(xùn)練，其中價值模型（value model）V?是基于預(yù)熱階段后的政策模型πθ的最后隱藏狀態(tài)構(gòu)建的。
- 獎勵函數(shù)在終端狀態(tài)時直接比較從狀態(tài)的CoT提取的答案和真實(shí)答案y，正確則返回1，否則返回0。對于數(shù)值型答案的數(shù)據(jù)集，還可以應(yīng)用部分獎勵（partial reward）0.1。
- 總獎勵是獎勵函數(shù)得分和學(xué)習(xí)到的RL政策與初始政策之間的Kullback-Leibler（KL）散度的和。
GSM8K中的一個問題（x）、思維鏈（CoT）（e）和答案（y）的示例。SFT過程在訓(xùn)練數(shù)據(jù)上迭代多個周期。提出的ReFT從SFT預(yù)熱并在同一數(shù)據(jù)上執(zhí)行RL訓(xùn)練。
實(shí)驗(yàn)表明，RFT在GSM8K、MathQA和SVAMP等數(shù)據(jù)集上的性能顯著優(yōu)于SFT，并且可以通過多數(shù)投票和重新排名等策略進(jìn)一步提升性能
ReFT和基線模型在所有數(shù)據(jù)集上微調(diào)后的價值準(zhǔn)確度
SFT和ReFT在GSM8K數(shù)據(jù)集中第1、3和5周期的P-CoT響應(yīng)對同一個問題的反應(yīng)。綠色框架內(nèi)的反應(yīng)是正確的，而紅色框架內(nèi)的反應(yīng)是錯誤的。
https://arxiv.org/pdf/2401.08967
Code: https://github.com/lqtrung1998/mwp_ReFT本文轉(zhuǎn)載自??PaperAgent??
