当前位置：首页 > news >正文

【大模型】大模型数据训练格式

news 2025/6/7 6:59:11

1. SFT（有监督微调）

1.1 数据格式

JSONL（每行一个 JSON 对象）最为流行；也可用 CSV／TSV，但 JSONL 更灵活。
字段设计
- prompt：用户输入或任务指令（通常以“系统指令＋用户问题”拼接）
- completion：希望模型生成的“黄金”回答
- 可选 metadata：如示例来源、类别标签、示例难度等

{"prompt": "<|SYSTEM|>你是一名法律顾问。\n<|USER|>合同纠纷如何处理？", "completion": "首先，应当……并在必要时咨询专业律师。"}
{"prompt": "<|SYSTEM|>你是一名旅游助手。\n<|USER|>去巴黎有什么推荐？", "completion": "巴黎的必去景点包括埃菲尔铁塔……"}

长度与拆分
- prompt + completion 合计 token 数一般不超过模型最大上下文长度（如 4K、8K）。
- 对超长示例，可分段给出——比如把背景单独一个示例，把核心提问单独一个示例。

1.2 常见示例规模

小规模：几千条（用于快速验证思路）
中等规模：1–10 万条（可获得明显效果提升）
大规模：几十万–百万条（面向全功能对话／写作助手）

经验：对于 6B 量级模型，至少需要 2–5 万条高质量示例才能看到稳定的 SFT 提升；上不封顶，示例越多、越多样，微调效果越好。

2. RM（奖励模型训练）

2.1 数据格式

对比式偏好数据：每条记录包含一对或多组生成，模型学习去区分“好”与“差”回答。
JSONL 格式示例：

{"prompt": "如何写一封求职信？","response_a": "尊敬的招聘经理……",  "response_b": "你好，我想要这份工作……",  "label": 0}

label：通常用 0、1 表示哪个 response 更优（0 表示 response_a 更好，1 表示 response_b 更好）。
可扩展
- 多选对比：responses: ["A","B","C"] + label: 2
- 打分式：score_a: 4.5, score_b: 3.2

2.2 常见示例规模

中等规模：1–5 万对（可用人工标注或半自动筛选）
大规模：5–20 万对（用于更严格的排序和奖励信号）

建议：初期可先收集 2–3 万对，高质量人工标注；后期再扩充并加入模型自标反馈（例如用当前策略生成对比对，再由人审核）。

3. PPO（强化学习微调）

3.1 数据格式

PPO 环节并不存储单一固定的数据集，而是在每次训练迭代（rollout）中动态生成：

Prompt Batch：事先准备的一批 prompt（与 SFT 相同格式或专门设计的评测提示）。
Policy Outputs：当前模型（Policy）对每个 prompt 生成的多条候选 completion。
Reward Scores：用 RM 或其它函数（如安全检测、相似度、算术准确度）对每条候选打分。
Advantage / Return：根据 reward 及折扣率（γ）计算出的优势值，用于 PPO 更新。

rollout[0]:prompt: "如何写求职信？"responses: ["版本A", "版本B", ...]rewards: [1.2, -0.3, ...]advantages: [0.8, -0.5, ...]
rollout[1]:prompt: "巴黎旅游推荐？"...

存储方式：
- 训练过程中可按 epoch 暂存到内存或中间文件；
- 完成后可归档为带 rewards、advantages 的 JSONL 或二进制格式，用于后续分析和复现。

3.2 常见示例规模

Rollout 大小：每次迭代通常采集 1–5K 个 prompt，每个 prompt 下 1–4 条生成，共 5K–2W 条样本。
训练轮次：典型 100–500 个迭代，总样本量可达数十万条。

在 PPO 中，数据量并不是一次性全部收集好的，而是与训练进度交替生成并马上用来更新策略。

四、总结对比

环节	格式要素	常见规模	数据来源
SFT	`{"prompt","completion"}`	1e4–1e6 条	现有数据集＋人工标注
RM	`{"prompt","response_a","response_b","label"}`	2e4–2e5 条对	人工偏好／模型自标
PPO	Rollout（prompt + response + reward + advantage）	每迭代 5e3–2e4 条，累计 1e5–5e5	动态生成＋RM 评分