保姆级教程！把AI大模型训练过程揉碎了讲给你听，小白也能秒懂！

原创于 2025-12-17 11:17:21 发布 · 169 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #自动化 #运维 #游戏 #prompt

站在大语言模型外部看需要准备些什么样的训练数据，分什么阶段，怎样去训练大语言模型，把大语言模型看成一个黑盒。

LLM都是如何训练出来的呢？

GPT的训练分为以下3个阶段：

1、预训练Pretrain

2、监督微调SFT (Supervised Fine-Tuning)

3、基于反馈的强化学习RLHF（包含了Reward Model、PPO (Proximal Policy Optimization)

一、Pretrain预训练

在这个阶段，我们不教他具体的专业技能（比如怎么写代码、怎么当医生），而是让他进行海量的广泛阅读。

Pretrain的三个核心步骤：

1. 喂给它海量的书（数据输入）

研究人员把互联网上能找到的几乎所有高质量文本——百科全书、小说、新闻、代码库、论文——全部打包，喂给这个模型。

量级： 这相当于让一个人读了几千万辈子的书。

2. 玩“完形填空”游戏（学习机制）

模型在读这些书时，主要在做一件事：猜下一个字是什么。

例子： 看到“床前明月__”，模型要猜出是“光”。
原理： 如果猜对了，给予奖励（参数调整）；如果猜错了（比如猜成了“饼”），就狠狠修正。
结果： 通过千亿次的猜测和修正，模型学会了语言的语法、词语的搭配，以及人类世界的逻辑和常识（比如知道“水是流动的”、“1+1=2”）。

3. 产出“基座模型”（Base Model）

预训练结束后，我们就得到了一个基座模型。

它的状态： 它博学多才，什么都知道一点，懂中文也懂英文。
它的缺点： 它还很“野”，不懂礼貌，也不知道怎么听指令。如果你问它“怎么做番茄炒蛋？”，它可能会给你续写一段关于番茄的历史，而不是给你食谱。因为它只会“接着往下写”，还不会“回答问题”。

总之，Pretrain（预训练） = 通过海量阅读，学会语言规律和世界知识的过程。它是大模型最昂贵、最耗时的阶段（通常需要几千张显卡跑几个月），是模型能力的地基。这个阶段的大模型说起话来非常像“接话茬”，并不是在“做任务”。

二、SFT（Supervised Fine-Tuning）有监督的微调训练

如果说 Pretrain（预训练） 是让模型在图书馆里泛读万卷书，成了一个博学的“书呆子”。

那么 SFT（Supervised Fine-Tuning，有监督微调） 就是给这个书呆子进行**“职业技能培训”，或者是找了个“金牌导师”手把手教它怎么说话**。

在这个阶段，我们的目标不再是让它“学知识”，而是让它**“懂规矩”**。

以下是 SFT 的三个核心变化：

1. 教材变了：从“无字天书”到“习题集”

在预训练阶段，我们给它看的是并没有标注重点的海量文本。而在 SFT 阶段，我们给它看的是高质量的问答对（Q&A）。

人类老师（标注员） 会编写成千上万个例子，告诉模型：“当用户问这个问题时，标准的回答应该是这样的。”

例子：

输入： “请把这段话翻译成英文。”
标准答案： “Please translate this sentence into English.”

量级： 相比预训练的数据海，SFT 的数据量要小得多（通常是几万到几十万条），但质量要求极高。

2. 教学方式变了：从“瞎猜”到“模仿”

Pretrain 时： 模型看到“番茄炒蛋”，可能会接着写“是一道中国名菜，起源于……”（因为它在做文本接龙）。
SFT 时： 老师拿着戒尺站在旁边。模型看到“番茄炒蛋怎么做？”，如果它还想背历史课文，老师会敲它一下，指着标准答案说：“不对！这时候你应该列出步骤：第一步打蛋，第二步切番茄……”
效果： 模型开始模仿人类说话的语气、格式和逻辑。它学会了：当人类用问句开头时，我应该提供答案，而不是接着编故事。

3. 身份变了：从“复读机”到“助手”

经过 SFT 之后，这个模型就发生了质的飞跃：

听懂指令： 你让它缩写文章，它就不会扩写；你让它写代码，它就不会写诗。
格式规范： 它学会了分点作答、使用礼貌用语。
ChatGPT 的诞生： GPT-3 只是一个预训练模型（书呆子），而 ChatGPT 则是经过了 SFT（以及后续步骤）后的产物（智能助手）。

小结，SFT（指令微调） = **通过高质量的问答范例，教模型如何正确地使用它学到的知识来服务人类。**它让模型从“懂语言”变成了“懂人话”。

三、RLHF（Reinforcement Learning from Human Feedback）基于人类反馈的强化学习

如果说 Pretrain（预训练） 造就了博学的“书呆子”，SFT（微调） 把它变成了能干活的“职场新人”；

那么 RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习） 就是给这个新人上的**“思想品德课”和“情商培训班”**。

在 SFT 阶段，模型虽然学会了回答问题，但它有个大毛病：它不知道哪个答案更好，甚至为了“回答”而撒谎或干坏事。 比如你问“怎么偷东西？”，SFT 模型可能会很详细地教你（因为它觉得回答就是它的工作）。

RLHF 就是为了解决这个问题，给模型**“树立三观”**。以下是通俗易懂的两个关键环节：

1. 建立“评分老师”（训练奖励模型Reward Model）

我们不再让老师手把手写标准答案了（太累了），而是让模型针对同一个问题生成两个不同的回答，让老师来打分（或者二选一）。

场景： 用户问“怎么制作炸弹？”

回答 A： 详细列出化学配方（虽然准确，由于危险，人类老师判0分）。
回答 B： “制作炸弹是违法的，我不能帮你，但我可以介绍炸药的历史。”（虽然拒绝了，但符合安全规范，人类老师判100分）。
回答 C： 胡言乱语（50分）。

结果： 我们训练出了一个专门的**“判卷老师”（Reward Model，奖励模型）**。这个判卷老师并不生产内容，它唯一的任务就是：判断这句话人类爱不爱听，符不符合人类的价值观。

2. 疯狂刷题拿奖励（强化学习PPO）

现在，让大模型开始大量做题，然后让刚才训练好的“判卷老师”给它打分。

机制（类似训狗）：

如果模型生成了一段话，判卷老师给了高分（比如态度谦逊、内容安全），系统就给模型发一个“糖果”（正向反馈），告诉它：“做得好，以后多这样说话！”
如果判卷老师给了低分（比如脏话、撒谎、种族歧视），系统就给它一个“惩罚”（负向反馈），告诉它：“错了，以后这种话少说！”

进化： 模型为了以此获得更多的“糖果”，会拼命调整自己的说话方式，去迎合“判卷老师”的喜好。

3. “三观”树立完成

经过 RLHF，模型不仅仅是“能说话”，它变成了符合 3H 原则 的模范生：

Helpful（有帮助）： 甚至能从你模糊的问题中猜到你想问什么。
Honest（诚实）： 不懂装懂的情况变少了（虽然还不能完全根除）。
Harmless（无害）： 拒绝回答违法、暴力、色情的问题，变得非常有“求生欲”。

SFT及RLHF的过程如下图所示：

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述