面试题解答

大模型SFT不就好了，为什么还要RLHF？

参考答案

要回答问题：大模型SFT不就好了，为什么还要RLHF？

需要理清楚以下几个问题：

1. 大模型三段式训练中：PreTraining、SFT、FLHF 各种作用是什么？
2. 为什么 SFT 不能对齐？
3. RLHF 的作用是什么？
4. 直接 PreTraining + FLHF 行不行？

问题一：大模型三段式训练中：PreTraining、SFT、FLHF 各种作用是什么？

PreTraing 就好比是给小学生学习很多课本教材，属于灌输知识的环节。

SFT阶段属于做习题的环节，通过外界反馈来提高解题能力。而RLHF则相当于包含错题和正确案例的考试，锻炼人判断对和不对的能力。

问题二：为什么 SFT 不能对齐？

SFT训练目的是预测值与标签token级别完全一致，模型效果依赖于标注数据的质量，且标注成本相对于RLHF的排序成本和难度要高。SFT仅有groud truth的正反馈，没有负反馈机制。模型只知道下一个token是什么是正确的，而不知道什么是错误的。

问题三：RLHF 的作用是什么？

RLHF利用人类反馈优化模型行为，使其更符合用户偏好。一般来说有4个模型，Actor(你)、Critic(教练)、Reward Model(裁判，参数冻结)、Ref Model(正常的你)。Critic一步步指导你进步，RM就是人类偏好，你学习的好不好由RM决定。Ref Model则是希望你不要变成一个疯子般的天才，缓解稳定训练使用的。

问题四：直接 PreTraining + FLHF 行不行？

跳过SFT直接RLHF训练，技术上可行，实际操作难度很大。没有做过练习题的学生，直接来做错题集，学习成本非常高。没有SFT过程的模型，在RLHF阶段收敛速度很慢，训练成本很高。且由于没有SFT过程，RLHF的优化探索空间很大，增加了很大的不确定性。只有本身很强了之后，再依赖部分错题集和负反馈才能取得较好结果

有需要全套的AI大模型面试题及答案解析资料的小伙伴，可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】