self-rewarding-lm-pytorch

self-rewarding-lm-pytorch

自我奖励语言模型训练框架的开源实现

self-rewarding-lm-pytorch是一个开源项目,实现了MetaAI提出的自我奖励语言模型训练框架。该项目包含SPIN算法实现,提供灵活的微调配置选项,支持自定义奖励提示、任意顺序的微调策略和批量采样。这个工具能帮助研究人员探索和改进语言模型的自我学习能力。

Self-Rewarding Language ModelSPINAI深度学习自然语言处理Github开源项目

<img src="https://yellow-cdn.veclightyear.com/835a84d5/6e5691e7-f430-4448-b541-3bba13b20adc.png" width="450px"></img>

自我奖励语言模型

实现了MetaAI提出的<a href="https://arxiv.org/abs/2401.10020">自我奖励语言模型</a>中的训练框架

他们真的很认真地对待了<a href="https://arxiv.org/abs/2305.18290">DPO论文的标题</a>

这个库还包含了<a href="https://arxiv.org/abs/2401.01335v1">SPIN</a>的实现,<a href="https://twitter.com/nousresearch">Nous Research</a><a href="https://github.com/teknium1">Teknium</a>对此表示了乐观。

致谢

  • 感谢<a href="https://a16z.com/supporting-the-open-source-ai-community/">A16Z开源AI资助计划</a><a href="https://huggingface.co/">🤗 Huggingface</a>的慷慨赞助,以及我的其他赞助者,让我能够独立地开源当前的人工智能研究

安装

$ pip install self-rewarding-lm-pytorch

使用方法

import torch from torch import Tensor from self_rewarding_lm_pytorch import ( SelfRewardingTrainer, create_mock_dataset ) from x_transformers import TransformerWrapper, Decoder transformer = TransformerWrapper( num_tokens = 256, max_seq_len = 1024, attn_layers = Decoder( dim = 512, depth = 1, heads = 8 ) ) sft_dataset = create_mock_dataset(100, lambda: (torch.randint(0, 256, (256,)), torch.tensor(1))) prompt_dataset = create_mock_dataset(100, lambda: 'mock prompt') def decode_tokens(tokens: Tensor) -> str: decode_token = lambda token: str(chr(max(32, token))) return ''.join(list(map(decode_token, tokens))) def encode_str(seq_str: str) -> Tensor: return Tensor(list(map(ord, seq_str))) trainer = SelfRewardingTrainer( transformer, finetune_configs = dict( train_sft_dataset = sft_dataset, self_reward_prompt_dataset = prompt_dataset, dpo_num_train_steps = 1000 ), tokenizer_decode = decode_tokens, tokenizer_encode = encode_str, accelerate_kwargs = dict( cpu = True ) ) trainer(overwrite_checkpoints = True) # 每个微调阶段后的检查点将保存到 ./checkpoints

SPIN可以按以下方式训练 - 它也可以添加到微调流程中,如readme的最后一个示例所示。

import torch from self_rewarding_lm_pytorch import ( SPINTrainer, create_mock_dataset ) from x_transformers import TransformerWrapper, Decoder transformer = TransformerWrapper( num_tokens = 256, max_seq_len = 1024, attn_layers = Decoder( dim = 512, depth = 6, heads = 8 ) ) sft_dataset = create_mock_dataset(100, lambda: (torch.randint(0, 256, (256,)), torch.tensor(1))) spin_trainer = SPINTrainer( transformer, max_seq_len = 16, train_sft_dataset = sft_dataset, checkpoint_every = 100, spin_kwargs = dict( λ = 0.1, ), ) spin_trainer()

假设你想尝试自己的奖励提示(而不是LLM作为裁判)。首先你需要导入RewardConfig,然后将其作为reward_prompt_config传递给训练器

# 首先导入 from self_rewarding_lm_pytorch import RewardConfig # 然后假设你想尝试礼貌地询问transformer # reward_regex_template 是将在LLM响应中查找的字符串,用于解析出奖励,其中 {{ reward }} 被定义为一个数字 trainer = SelfRewardingTrainer( transformer, ..., self_reward_prompt_config = RewardConfig( prompt_template = """ 请礼貌地为以下用户提示和回应评分 用户: {{ prompt }} 回应: {{ response }} 请按以下格式给出你的评分: 评分: <0到10之间的整数评分> """, reward_regex_template = """ 评分: {{ reward }} """ ) )

最后,如果你想尝试任意顺序的微调,你也可以通过将FinetuneConfig实例作为列表传递给finetune_configs来获得这种灵活性

例如,假设你想进行交替SPIN、外部奖励和自我奖励的研究

这个想法源自私人Discord频道中<a href="https://github.com/teknium1">Teknium</a>的建议。

# 导入配置 from self_rewarding_lm_pytorch import ( SFTConfig, SelfRewardDPOConfig, ExternalRewardDPOConfig, SelfPlayConfig, ) trainer = SelfRewardingTrainer( model, finetune_configs = [ SFTConfig(...), SelfPlayConfig(...), ExternalRewardDPOConfig(...), SelfRewardDPOConfig(...), SelfPlayConfig(...), SelfRewardDPOConfig(...) ], ... ) trainer() # 每个微调阶段后的检查点将保存到 ./checkpoints

待办事项

  • 泛化采样,使其可以在批次中的不同位置进行,修复所有采样为批处理。同时允许左填充序列,以防有些人使用允许相对位置的transformer

  • 处理eos

  • 展示使用自定义奖励提示而不是默认LLM作为裁判的示例

  • 允许不同的配对采样策略

  • 早期停止器

    • 在主进程上处理所有完成时的中断信号
    • 接受评估模块,可以是验证损失或更复杂的东西。返回一个标量张量或单个整数/浮点数
  • 任意顺序的sft、spin、自我奖励dpo、带外部奖励模型的dpo

  • 允许对奖励进行验证函数(比如奖励必须是整数、浮点数、在某个范围内等)

  • 找出最佳处理不同kv缓存实现的方法,目前暂时不使用

  • 环境标志,自动清除所有检查点文件夹

引用

@misc{yuan2024selfrewarding, title = {Self-Rewarding Language Models}, author = {Weizhe Yuan and Richard Yuanzhe Pang and Kyunghyun Cho and Sainbayar Sukhbaatar and Jing Xu and Jason Weston}, year = {2024}, eprint = {2401.10020}, archivePrefix = {arXiv}, primaryClass = {cs.CL} }
@article{Chen2024SelfPlayFC, title = {Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models}, author = {Zixiang Chen and Yihe Deng and Huizhuo Yuan and Kaixuan Ji and Quanquan Gu}, journal = {ArXiv}, year = {2024}, volume = {abs/2401.01335}, url = {https://api.semanticscholar.org/CorpusID:266725672} }
@article{Rafailov2023DirectPO, title = {Direct Preference Optimization: Your Language Model is Secretly a Reward Model}, author = {Rafael Rafailov and Archit Sharma and Eric Mitchell and Stefano Ermon and Christopher D. Manning and Chelsea Finn}, journal = {ArXiv}, year = {2023}, volume = {abs/2305.18290}, url = {https://api.semanticscholar.org/CorpusID:258959321} }
@inproceedings{Guo2024DirectLM, title = {Direct Language Model Alignment from Online AI Feedback}, author = {Shangmin Guo and Biao Zhang and Tianlin Liu and Tianqi Liu and Misha Khalman and Felipe Llinares and Alexandre Rame and Thomas Mesnard and Yao Zhao and Bilal Piot and Johan Ferret and Mathieu Blondel}, year = {2024}, url = {https://api.semanticscholar.org/CorpusID:267522951} }

编辑推荐精选

Vora

Vora

免费创建高清无水印Sora视频

Vora是一个免费创建高清无水印Sora视频的AI工具

Refly.AI

Refly.AI

最适合小白的AI自动化工作流平台

无需编码,轻松生成可复用、可变现的AI自动化工作流

酷表ChatExcel

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。

AI工具使用教程AI营销产品酷表ChatExcelAI智能客服
TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
AIWritePaper论文写作

AIWritePaper论文写作

AI论文写作指导平台

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

数据安全AI助手热门AI工具AI辅助写作AI论文工具论文写作智能生成大纲
博思AIPPT

博思AIPPT

AI一键生成PPT,就用博思AIPPT!

博思AIPPT,新一代的AI生成PPT平台,支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等,内置海量精美PPT模板,涵盖商务、教育、科技等不同风格,同时针对每个页面提供多种版式,一键自适应切换,完美适配各种办公场景。

热门AI工具AI办公办公工具智能排版AI生成PPT博思AIPPT海量精品模板AI创作
潮际好麦

潮际好麦

AI赋能电商视觉革命,一站式智能商拍平台

潮际好麦深耕服装行业,是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌,以及国内10万+淘宝、天猫、京东等主流平台的品牌商家,为卖家节省将近85%的出图成本,提升约3倍出图效率,让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌,基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构,帮助企业扫清合规障碍,筑牢风控防线,成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案,助力品牌曝光

稳定高效的流量提升解决方案,助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用,一键生成无水印视频

最新版Sora2模型免费使用,一键生成无水印视频

下拉加载更多