【深度收藏】小猫都能懂的大模型原理：从SFT到RLHF的完全指南

关注

原创最新推荐文章于 2026-11-10 16:06:23 发布 709 阅读 AI 写同款· GEO 优化 ›

深度学习之Encoder-Only原理与实战【代码】深度学习之Encoder-Only原理与实战。阅读详情

本文以通俗易懂的方式解释了大语言模型的训练原理，重点介绍了SFT（监督式微调）通过对话训练让模型学会交流，以及RLHF（基于人类反馈的强化学习）通过人类偏好排序和奖励模型使模型更符合人类期望。文章还探讨了Reasoning（推理能力）的实现方法，如GRPO训练策略，以及模型如何自发产生长思考和自我纠错的能力。整个过程旨在让模型从"只会背书的Nerd"转变为能流畅交流的助手。

GPT 训练完后并不能直接与用户流畅地聊天，就像是一个只会背书、不擅长与人交往的 Nerd 🤓。你说啥呢，他就接着从他大脑里想到的都一股脑说出来，接在你后面，情商约等于 0。

chatGPT 之所以叫 chatGPT，是因为它在 GPT 的基础上做了 chat 的后训练。

SFT

对话的训练素材大概长下面这样：

instruction token

通过特定的 Token 标记对话的格式，然后把这些经过审阅的对话喂给模型即可。

在喂对话前，还需要注意整理数据和调整超参数：

• 数据清洗、过滤（去除垃圾、泄密、违法内容）
• 样本平衡（不同任务/风格的比例）
• 学习率、训练步数等超参的控制，避免遗忘原有能力或过拟合

这个步骤也叫 SFT，全称 Supervised Fine-Tuning（监督式微调）。

Hugging Face 是一个找 AI 开源资源的好地方，这里也有对话训练集：https://huggingface.co/datasets/openchat/ultrachat-sharegpt

除了对话的 SFT，厂商可能还会进行工具调用（function calling / MCP）、多轮任务规划、搜索结果整合等子技能，这些微调对 AI Agent 的实现极为重要。

除了大模型出厂前的 SFT，厂商也提供出厂后微调的服务，当然你也可以自己微调开源模型。

举个例子：如果你原创了一门计算机语言，想训练一个专门帮你的新语言的助手，你可以在通用大模型的基础上，用大量的编程相关数据进行微调，这样模型就会更擅长写对应语言的代码、调试、解释代码等任务。

微调的好处是成本相对较低，不需要从头训练模型，就能在特定领域获得很好的效果。

RLHF

RL（强化学习）：智能体通过与环境“互动试错”，利用“奖励反馈”来学习如何做出能实现“长期利益最大化”的决策。

再下一步，来到 RLHF（Reinforcement Learning from Human Feedback），解决“模型会说话，但不一定合人类偏好”的问题，用人类偏好信号做强化学习，把模型往“更符合人类期望”的方向推，从而实现 Alignment（例如禁止黄赌毒啦，不要鼓励自杀啦，还有一系列 ZZZQ）。

先让人类对多条模型回答做偏好排序，训练一个奖励模型（Reward Model） 去拟合这种偏好；再用强化学习（常见是 PPO）让生成模型最大化奖励，这是很常见的一种通过模型强化另一个模型的方法。后面章节会讲到路人皆知的 Deepseek R1，他的训练方式更是左脚踩右脚。

简单来说就是循环下面三个步骤：

• 自我生成：原始模型生成一个回答。
• 裁判打分：刚才训练好的“奖励模型”给这个回答打一个分数（Scalar Reward）。
• 参数更新：如果分数高，算法（PPO）就会调整模型的参数，鼓励它以后多生成类似的回答；如果分数低，就抑制这种生成方式。

可能这时候就有小猫要问了，咋一句话的评分能影响到逐个 Token 生成的权重呢？Emmm，这个问题还是挺复杂的，但是知道像 PPO 这样的算法，会用这个总分来估算每一步动作的“好坏”（优势），从而对每个 token 的概率做梯度更新了。

来一个 RLHF 流程图方便各位小猫理解：

RLHF 流程

另外，现在也有一批“不要 RL 的 RLHF 替代品”，比如 DPO、IPO、ORPO 等，它们直接用人类偏好数据来训练，不再显式训练奖励模型和跑 PPO，但目标还是一样：让模型更符合人类喜欢的回答方式。

Reasoning

实现 Reasoning 的方式应该很多，例如与 RLHF 类似，你可以鼓励模型尽量使用逐步解题的方式回答问题，并把解题步骤放在 <think> 标签里，答案放在 <answer> 标签里，那它就可以学会逐步解题。

Deepseek 论文提到，通过一个叫 GRPO 的训练策略，通过一些固定的判断逻辑对输出结果进行评分。结果对就加分，格式对也加分，然后同一个 prompt 生成多个回答，奖励平均分以上的回答，这样就不需要额外训练一个奖励模型，只要设计好规则化奖励函数即可，节省掉传统 RLHF 里的花费高昂的奖励模型。

ds R1 zero 的回答长度逐渐变长

通过不断循环上述过程进行训练，模型会自发地让思考过程变长，为什么呢，因为经过长思考得到正确答案的概率更大，毕竟思考越长，它自己得到的信息就越多。最后，模型会自动产生“等等，我似乎错了”之类的惊喜时刻，这是属于 Reasoning 的“涌现”。

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。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】