SFT 监督微调

参考：

大模型训练三阶段总览（Pre-Training、SFT、RLHF 关系）
LLaMA-Factory 官方文档

定义

SFT（Supervised Fine-Tuning，监督微调）：在预训练模型基础上，用人工标注的高质量 (prompt, response) 数据做有监督训练，让模型从「通用」转向「特定任务可用」。

阶段	数据	目标
Pre-Training	海量无标签连续文本	学习语言规律、世界知识、生成能力
SFT	任务相关的 (问题, 答案) 对	学会按指令回答问题、格式化输出
RLHF	人类偏好数据	对齐价值观、提升体验

为何需要 SFT

指令遵循：预训练模型不一定按「指令 → 回答」模式输出，SFT 教会这一模式
格式规范：输出结构（如 JSON、步骤列表）需通过样例学习
领域适配：垂直场景（法律、医疗、代码）需注入领域知识与表述方式
为 RLHF 打基础：对齐类训练通常在 SFT 模型上进行

原理与公式

数学目标

语言模型用自回归生成：给定前文 $x_1,\ldots,x_{t-1}$，预测下一个 token $x_t$ 的分布。SFT 的数据形式为 $(c, r)$，其中 $c$ 为上下文（指令+输入），$r = r_1 r_2 \cdots r_m$ 为期望的回答。

目标：最大化模型生成 $r$ 的似然，等价于最小化负对数似然：

$$\mathcal{L}_{SFT}(\theta) = -\sum_{t=1}^{|r|} \log P_\theta(r_t \mid c, r_{1:t-1})$$

其中 $r_{1:t-1}$ 表示 $r_1$ 到 $r_{t-1}$。

与预训练的区别：预训练在整段文本上对所有 token 算 loss；SFT 通常只对 response 部分算 loss，prompt 部分不参与（见下节）。

Loss Mask：只对 response 算 loss

完整输入序列为：[BOS] prompt [sep] response [EOS]。若对整个序列算 loss：

模型会学习「如何生成 prompt」，但推理时 prompt 由用户提供，无需模型生成
容易学到「复述问题」等无效模式，浪费算力且影响质量

正确做法：只对 response 部分计算 loss，prompt 对应位置的 loss 置为 0（不参与梯度）。

实现：CrossEntropyLoss 支持 ignore_index。将 prompt 位置的 label 设为 -100（PyTorch 默认忽略），response 位置的 label 为真实 token id。

1 2	input_ids: [BOS] p1 p2 p3 ... [sep] r1 r2 r3 ... [EOS] labels: -100 -100 -100 ... -100 r1 r2 r3 ... r_EOS

只有 $r_1, r_2, \ldots$ 参与 loss 计算与反向传播。

从公式到实现

设完整序列为 $s = [s_1,\ldots,s_n]$，其中 $s_1,\ldots,s_k$ 为 prompt，$s_{k+1},\ldots,s_n$ 为 response。

前向：模型输出 logits $\hat{y}_t = f_\theta(s_{
Loss：仅对 $t \in [k+1, n]$ 计算交叉熵：

$$\mathcal{L} = -\sum_{t=k+1}^{n} \log P_\theta(s_t \mid s_{

实现要点：

构造 labels：prompt 段填 -100，response 段填真实 token id
使用 model(input_ids, labels=labels) 或 CrossEntropyLoss(ignore_index=-100) 计算 loss

▸常见坑

若 labels 与 input_ids 错位（例如 labels 比 input_ids 少一位），会导致预测与标签不对齐。通常做法是 labels[i] 对应预测 input_ids[i+1]，即 labels 整体左移一位，最后一个 token 不参与 loss。

数据准备

Alpaca 格式

斯坦福 Alpaca 的标准字段：

字段	必填	说明
instruction	是	指令/问题
input	否	附加输入（可为空）
output	是	期望回答

{
  "instruction": "解释什么是机器学习",
  "input": "",
  "output": "机器学习是人工智能的一个分支，使计算机能够从数据中学习并改进，而无需显式编程..."
}

{
  "instruction": "将以下英文翻译成中文",
  "input": "Machine learning is a method of data analysis.",
  "output": "机器学习是一种数据分析方法。"
}

数据文件：JSON Lines（.jsonl），每行一个 JSON 对象；或 JSON 数组 [{...},{...}]。

ShareGPT 格式

多轮对话常用字段：

字段	说明
conversations	列表，每项含 `from`（human/gpt）和 `value`（内容）
system	可选，系统提示

{
  "conversations": [
    {"from": "human", "value": "什么是 SFT？"},
    {"from": "gpt", "value": "SFT 是监督微调，用标注数据对预训练模型进行二次训练..."},
    {"from": "human", "value": "和预训练有什么区别？"},
    {"from": "gpt", "value": "预训练用无标签文本学习通用知识；SFT 用 (问题, 答案) 学习特定任务..."}
  ]
}

格式对比

维度	Alpaca	ShareGPT
结构	单轮：instruction + input → output	多轮：conversations 列表，human/gpt 交替
典型场景	指令跟随、单问单答、格式转换	多轮对话、追问、上下文依赖
优势	结构简单，易于构造与清洗；单轮 loss 清晰	保留对话流，模型学会多轮交互、指代消解
劣势	无多轮能力，复杂任务需拆成多单轮	数据来源多为爬取对话，质量参差；格式复杂
数据来源	人工构造或 GPT 生成（如 self-instruct）	用户与 ChatGPT 等产品的真实对话导出

为何需要两类：

Alpaca：适合「一问一答」类任务（翻译、摘要、分类、简单推理）。训练快、数据易控，是 SFT 的起点。
ShareGPT：适合「对话式」产品，用户会追问、改需求、补充上下文。单轮数据无法学到「听懂上文」「承接上文回答」。

选型建议：指令模型底座通常先用 Alpaca 类数据打指令能力，再混入 ShareGPT 提升多轮体验；纯单轮任务用 Alpaca 即可。

dataset_info 配置

LLaMA-Factory 通过 data/dataset_info.json 注册数据集。新建数据集时需：

在 data/ 下放置数据文件（如 my_sft.jsonl）
在 dataset_info.json 中增加配置，指定列名映射与模板

Alpaca 风格配置示例：

{
  "my_sft": {
    "file_name": "my_sft.jsonl",
    "columns": {
      "prompt": "instruction",
      "query": "input",
      "response": "output",
      "system": "system"
    }
  }
}

prompt：对应 instruction
query：对应 input（可为空）
response：对应 output
system：可选系统提示

ShareGPT 风格：使用 sharegpt 格式，columns 中指定 messages 等字段，详见官方文档。

数据质量

多样性：覆盖任务类型、表述方式、长度
一致性：指令风格、输出格式统一
量级：百～万级视任务而定；过多低质数据不如少而精
划分：预留 5%–10% 作验证集，用于监控过拟合

LLaMA-Factory 实践

环境准备

# 1. 克隆
git clone https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory

# 2. 创建环境
conda create -n llama_factory python=3.10 -y
conda activate llama_factory

# 3. 安装依赖（含 metrics，可选）
pip install -e ".[metrics]"

硬件：7B 模型 LoRA 微调，建议 24GB 显存（如 RTX 3090/4090）；QLoRA 可降至 12GB 左右。

准备数据

▸数据准备示例

Step 1：创建 data/my_sft.jsonl：

1
2

{"instruction": "什么是 SFT？", "input": "", "output": "SFT（监督微调）是在预训练模型基础上，用标注数据做有监督训练，使模型适配特定任务。"}
{"instruction": "解释机器学习中的过拟合", "input": "", "output": "过拟合指模型在训练集上表现很好，但在测试集上泛化较差，通常因模型过于复杂或训练数据不足导致。"}

Step 2：编辑 data/dataset_info.json，添加：

{
  "my_sft": {
    "file_name": "my_sft.jsonl",
    "columns": {
      "prompt": "instruction",
      "query": "input",
      "response": "output"
    }
  }
}

训练配置

复制官方示例并修改，例如 examples/train_lora/llama3_lora_sft.yaml，新建 my_sft.yaml：

### 模型
model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct   # 或本地路径

### 训练阶段与微调方式
stage: sft
do_train: true
finetuning_type: lora
lora_target: all

### 数据集
dataset: my_sft
template: llama3
cutoff_len: 1024
max_samples: 1000
overwrite_cache: true

### 输出
output_dir: saves/llama3-8b-lora-sft
logging_steps: 10
save_steps: 500
plot_loss: true
overwrite_output_dir: true

### 训练超参
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
learning_rate: 1.0e-4
num_train_epochs: 3.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: true

### 验证
val_size: 0.1
per_device_eval_batch_size: 1
eval_strategy: steps
eval_steps: 500

关键参数：

参数	说明	典型值
`finetuning_type`	`lora` / `qlora` / `full`	`lora` 省显存
`lora_target`	LoRA 作用的模块	`all` 或 `q_proj,v_proj`
`cutoff_len`	最大序列长度	512–2048
`learning_rate`	学习率	1e-4 ~ 5e-5
`num_train_epochs`	训练轮数	2–5

启动训练

1	llamafactory-cli train my_sft.yaml

或使用 examples 下已有配置：

1	llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml

训练结束后，LoRA 权重保存在 output_dir 下。

推理验证

# Web UI 对话
llamafactory-cli webui

# 或 API 服务
llamafactory-cli api

在 WebUI 中选择训练好的 adapter 路径，加载后即可对话测试。

合并 LoRA 到基座（可选）：

llamafactory-cli export --model_name_or_path meta-llama/Meta-Llama-3-8B-Instruct \
  --adapter_name_or_path saves/llama3-8b-lora-sft \
  --template llama3 \
  --export_dir ./merged_model

LoRA / QLoRA

LoRA 原理

LoRA（Low-Rank Adaptation）：在原有线性层旁路增加低秩矩阵 $B \cdot A$，训练时只更新 $A, B$，原权重冻结。

$$W' = W + B \cdot A, \quad A \in \mathbb{R}^{r \times d}, B \in \mathbb{R}^{d \times r}$$

$r$：秩，通常 8–64
可训练参数约为 $2 \times r \times d$，远小于全量 $d^2$

优点：显存占用小、训练快、易于切换不同 adapter；缺点：表达能力略弱于全参微调。

QLoRA

QLoRA：基座模型用 4-bit 量化加载，LoRA 用 fp16/bf16 训练。显存可再降一半左右，适合单卡 12GB 场景。

配置中设置 finetuning_type: qlora 即可。

选型

显存	模型规模	建议
12GB	7B	QLoRA
24GB	7B–8B	LoRA 或 QLoRA
40GB+	7B–13B	LoRA，batch 可更大
80GB+	13B–70B	LoRA；全参需多卡

常见问题

Loss 为 0 或 NaN

label 全被 mask：检查 prompt/response 划分，确认 response 段没有被填成 -100
数据为空：确认 dataset_info 中列名与 JSON 字段对应正确
学习率过大：尝试 5e-5 或更小

过拟合

减小 num_train_epochs
增加数据量或做数据增强
增大 lora_dropout、加 weight_decay

只会复述问题

确认 只对 response 算 loss，prompt 已正确 mask
检查模板是否把 instruction 和 output 正确分隔（如 ### 回答:\n 后才是 response）

显存不足

减小 per_device_train_batch_size，增大 gradient_accumulation_steps
减小 cutoff_len
使用 finetuning_type: qlora
启用 gradient checkpointing（若框架支持）

小结

环节	要点
原理	最大化 response 的似然；只对 response 算 loss，prompt 用 -100 mask
数据	Alpaca（instruction/input/output）或 ShareGPT 多轮；注意列名映射
实践	LLaMA-Factory：dataset_info → 配置 yaml → `llamafactory-cli train`
选型	显存紧张用 QLoRA；一般场景 LoRA 即可

秋月春风

明月守灯寻长梦，梦长寻灯守月明