
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。
<img src="https://yellow-cdn.veclightyear.com/835a84d5/6e5691e7-f430-4448-b541-3bba13b20adc.png" width="450px"></img>
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>的<a href="https://github.com/teknium1">Teknium</a>对此表示了乐观。
$ pip install self-rewarding-lm-pytorch
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
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
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
@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} }


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。


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。


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。


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


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


实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。


选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。


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。


最强AI数据分析助手
小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。


像人一样思考的AI智能体
imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。
最新AI工具、AI资讯
独家AI资源、AI项目落地

微信扫一扫关注公众号