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小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
字节跳动发布的AI编程神器IDE
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。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
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。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两 种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
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。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
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