使用 TRL 进行微调

使用 TRL 通过强化学习微调大语言模型（LLM）——包括用于指令微调的 SFT、用于偏好对齐的 DPO、用于奖励优化的 PPO/GRPO 以及奖励模型训练。当需要进行 RLHF（基于人类反馈的强化学习）、使模型与偏好对齐或基于人类反馈进行训练时使用。兼容 HuggingFace Transformers。

技能元数据


来源	捆绑（默认安装）
路径	`skills/mlops/training/trl-fine-tuning`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖项	`trl`, `transformers`, `datasets`, `peft`, `accelerate`, `torch`
标签	`Post-Training`, `TRL`, `Reinforcement Learning`, `Fine-Tuning`, `SFT`, `DPO`, `PPO`, `GRPO`, `RLHF`, `Preference Alignment`, `HuggingFace`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。这是技能激活时代理所看到的指令。

TRL - Transformer 强化学习

快速开始

TRL 提供了将语言模型与人类偏好对齐的后训练方法。

安装：

pip install trl transformers datasets peft accelerate

监督微调（指令微调）：

from trl import SFTTrainer

trainer = SFTTrainer(
    model="Qwen/Qwen2.5-0.5B",
    train_dataset=dataset,  # Prompt-completion pairs
)
trainer.train()

DPO（与偏好对齐）：

from trl import DPOTrainer, DPOConfig

config = DPOConfig(output_dir="model-dpo", beta=0.1)
trainer = DPOTrainer(
    model=model,
    args=config,
    train_dataset=preference_dataset,  # chosen/rejected pairs
    processing_class=tokenizer
)
trainer.train()

常见工作流

工作流 1：完整 RLHF 流水线（SFT → 奖励模型 → PPO）

从基础模型到与人类对齐模型的完整流水线。

复制此检查清单：

RLHF Training:
- [ ] Step 1: Supervised fine-tuning (SFT)
- [ ] Step 2: Train reward model
- [ ] Step 3: PPO reinforcement learning
- [ ] Step 4: Evaluate aligned model

步骤 1：监督微调

在指令跟随数据上训练基础模型：

from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import SFTTrainer, SFTConfig
from datasets import load_dataset

# Load model
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-0.5B")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-0.5B")

# Load instruction dataset
dataset = load_dataset("trl-lib/Capybara", split="train")

# Configure training
training_args = SFTConfig(
    output_dir="Qwen2.5-0.5B-SFT",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=2e-5,
    logging_steps=10,
    save_strategy="epoch"
)

# Train
trainer = SFTTrainer(
    model=model,
    args=training_args,
    train_dataset=dataset,
    tokenizer=tokenizer
)
trainer.train()
trainer.save_model()

步骤 2：训练奖励模型

训练模型以预测人类偏好：

from transformers import AutoModelForSequenceClassification
from trl import RewardTrainer, RewardConfig

# Load SFT model as base
model = AutoModelForSequenceClassification.from_pretrained(
    "Qwen2.5-0.5B-SFT",
    num_labels=1  # Single reward score
)
tokenizer = AutoTokenizer.from_pretrained("Qwen2.5-0.5B-SFT")

# Load preference data (chosen/rejected pairs)
dataset = load_dataset("trl-lib/ultrafeedback_binarized", split="train")

# Configure training
training_args = RewardConfig(
    output_dir="Qwen2.5-0.5B-Reward",
    per_device_train_batch_size=2,
    num_train_epochs=1,
    learning_rate=1e-5
)

# Train reward model
trainer = RewardTrainer(
    model=model,
    args=training_args,
    processing_class=tokenizer,
    train_dataset=dataset
)
trainer.train()
trainer.save_model()

步骤 3：PPO 强化学习

使用奖励模型优化策略：

python -m trl.scripts.ppo \
    --model_name_or_path Qwen2.5-0.5B-SFT \
    --reward_model_path Qwen2.5-0.5B-Reward \
    --dataset_name trl-internal-testing/descriptiveness-sentiment-trl-style \
    --output_dir Qwen2.5-0.5B-PPO \
    --learning_rate 3e-6 \
    --per_device_train_batch_size 64 \
    --total_episodes 10000

步骤 4：评估

from transformers import pipeline

# Load aligned model
generator = pipeline("text-generation", model="Qwen2.5-0.5B-PPO")

# Test
prompt = "Explain quantum computing to a 10-year-old"
output = generator(prompt, max_length=200)[0]["generated_text"]
print(output)

工作流 2：使用 DPO 进行简单的偏好对齐

无需奖励模型即可使模型与偏好对齐。

复制此检查清单：

DPO Training:
- [ ] Step 1: Prepare preference dataset
- [ ] Step 2: Configure DPO
- [ ] Step 3: Train with DPOTrainer
- [ ] Step 4: Evaluate alignment

步骤 1：准备偏好数据集

数据集格式：

{
  "prompt": "What is the capital of France?",
  "chosen": "The capital of France is Paris.",
  "rejected": "I don't know."
}

加载数据集：

from datasets import load_dataset

dataset = load_dataset("trl-lib/ultrafeedback_binarized", split="train")
# Or load your own
# dataset = load_dataset("json", data_files="preferences.json")

步骤 2：配置 DPO

from trl import DPOConfig

config = DPOConfig(
    output_dir="Qwen2.5-0.5B-DPO",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=5e-7,
    beta=0.1,  # KL penalty strength
    max_prompt_length=512,
    max_length=1024,
    logging_steps=10
)

步骤 3：使用 DPOTrainer 训练

from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import DPOTrainer

model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-0.5B-Instruct")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-0.5B-Instruct")

trainer = DPOTrainer(
    model=model,
    args=config,
    train_dataset=dataset,
    processing_class=tokenizer
)

trainer.train()
trainer.save_model()

CLI 替代方案：

trl dpo \
    --model_name_or_path Qwen/Qwen2.5-0.5B-Instruct \
    --dataset_name argilla/Capybara-Preferences \
    --output_dir Qwen2.5-0.5B-DPO \
    --per_device_train_batch_size 4 \
    --learning_rate 5e-7 \
    --beta 0.1

工作流 3：使用 GRPO 进行内存高效的在线强化学习

以最小内存占用进行强化学习训练。

如需深入的 GRPO 指导——奖励函数设计、关键训练见解（损失行为、模式崩溃、调参）以及高级多阶段模式——请参阅 references/grpo-training.md。生产就绪的训练脚本位于 templates/basic_grpo_training.py。

复制此检查清单：

GRPO Training:
- [ ] Step 1: Define reward function
- [ ] Step 2: Configure GRPO
- [ ] Step 3: Train with GRPOTrainer

步骤 1：定义奖励函数

def reward_function(completions, **kwargs):
    """
    Compute rewards for completions.

    Args:
        completions: List of generated texts

    Returns:
        List of reward scores (floats)
    """
    rewards = []
    for completion in completions:
        # Example: reward based on length and unique words
        score = len(completion.split())  # Favor longer responses
        score += len(set(completion.lower().split()))  # Reward unique words
        rewards.append(score)
    return rewards

或使用奖励模型：

from transformers import pipeline

reward_model = pipeline("text-classification", model="reward-model-path")

def reward_from_model(completions, prompts, **kwargs):
    # Combine prompt + completion
    full_texts = [p + c for p, c in zip(prompts, completions)]
    # Get reward scores
    results = reward_model(full_texts)
    return [r["score"] for r in results]

步骤 2：配置 GRPO

from trl import GRPOConfig

config = GRPOConfig(
    output_dir="Qwen2-GRPO",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=1e-5,
    num_generations=4,  # Generate 4 completions per prompt
    max_new_tokens=128
)

步骤 3：使用 GRPOTrainer 训练

from datasets import load_dataset
from trl import GRPOTrainer

# Load prompt-only dataset
dataset = load_dataset("trl-lib/tldr", split="train")

trainer = GRPOTrainer(
    model="Qwen/Qwen2-0.5B-Instruct",
    reward_funcs=reward_function,  # Your reward function
    args=config,
    train_dataset=dataset
)

trainer.train()

CLI：

trl grpo \
    --model_name_or_path Qwen/Qwen2-0.5B-Instruct \
    --dataset_name trl-lib/tldr \
    --output_dir Qwen2-GRPO \
    --num_generations 4

何时使用及替代方案对比

在以下情况使用 TRL：

需要将模型与人类偏好对齐
拥有偏好数据（选择/拒绝对）
希望使用强化学习（PPO, GRPO）
需要训练奖励模型
正在进行 RLHF（完整流水线）

方法选择：

SFT：拥有提示-完成对，希望实现基本的指令跟随
DPO：拥有偏好数据，希望进行简单对齐（无需奖励模型）
PPO：拥有奖励模型，需要对强化学习进行最大程度的控制
GRPO：内存受限，希望进行在线强化学习
奖励模型：构建 RLHF 流水线，需要对生成内容进行评分

改用替代方案：

HuggingFace Trainer：无强化学习的基本微调
Axolotl：基于 YAML 的训练配置
LitGPT：教育用途，极简微调
Unsloth：快速 LoRA 训练

常见问题

问题：DPO 训练期间出现 OOM（内存溢出）

减小批次大小和序列长度：

config = DPOConfig(
    per_device_train_batch_size=1,  # Reduce from 4
    max_length=512,  # Reduce from 1024
    gradient_accumulation_steps=8  # Maintain effective batch
)

或使用梯度检查点：

model.gradient_checkpointing_enable()

问题：对齐质量差

调整 beta 参数：

# Higher beta = more conservative (stays closer to reference)
config = DPOConfig(beta=0.5)  # Default 0.1

# Lower beta = more aggressive alignment
config = DPOConfig(beta=0.01)

问题：奖励模型未收敛

检查损失类型和学习率：

config = RewardConfig(
    learning_rate=1e-5,  # Try different LR
    num_train_epochs=3  # Train longer
)

确保偏好数据集具有明确的优胜者：

# Verify dataset
print(dataset[0])
# Should have clear chosen > rejected

问题：PPO 训练不稳定

调整 KL 系数：

config = PPOConfig(
    kl_coef=0.1,  # Increase from 0.05
    cliprange=0.1  # Reduce from 0.2
)

高级主题

SFT 训练指南：有关数据集格式、聊天模板、打包策略和多 GPU 训练，请参阅 references/sft-training.md。

DPO 变体：请参阅 references/dpo-variants.md 了解 IPO、cDPO、RPO 以及其他带有推荐超参数的 DPO 损失函数。

奖励建模：请参阅 references/reward-modeling.md 了解结果奖励与过程奖励、Bradley-Terry 损失以及奖励模型评估。

在线强化学习方法：请参阅 references/online-rl.md 了解 PPO、GRPO、RLOO 和 OnlineDPO 的详细配置。

GRPO 深入解析：请参阅 references/grpo-training.md 了解专家级 GRPO 模式——奖励函数设计理念、训练洞察（为何损失增加、模式崩溃检测）、超参数调优、多阶段训练以及故障排除。生产就绪模板位于 templates/basic_grpo_training.py。

硬件要求

GPU：NVIDIA（需要 CUDA）
显存 (VRAM)：取决于模型和方法
- SFT 7B：16GB（使用 LoRA）
- DPO 7B：24GB（存储参考模型）
- PPO 7B：40GB（策略模型 + 奖励模型）
- GRPO 7B：24GB（内存效率更高）
多 GPU：通过 accelerate 支持
混合精度：推荐 BF16（A100/H100）

内存优化：

对所有方法使用 LoRA/QLoRA
启用梯度检查点（gradient checkpointing）
使用较小的批量大小并配合梯度累积

资源

文档：https://huggingface.co/docs/trl/
GitHub：https://github.com/huggingface/trl
论文：
- "Training language models to follow instructions with human feedback" (InstructGPT, 2022)
- "Direct Preference Optimization: Your Language Model is Secretly a Reward Model" (DPO, 2023)
- "Group Relative Policy Optimization" (GRPO, 2024)
示例：https://github.com/huggingface/trl/tree/main/examples/scripts

技能元数据​

参考：完整 SKILL.md​

TRL - Transformer 强化学习

快速开始​

常见工作流​

工作流 1：完整 RLHF 流水线（SFT → 奖励模型 → PPO）​

工作流 2：使用 DPO 进行简单的偏好对齐​

工作流 3：使用 GRPO 进行内存高效的在线强化学习​

何时使用及替代方案对比​

常见问题​

高级主题​

硬件要求​

资源​

技能元数据

参考：完整 SKILL.md

快速开始

常见工作流

工作流 1：完整 RLHF 流水线（SFT → 奖励模型 → PPO）

工作流 2：使用 DPO 进行简单的偏好对齐

工作流 3：使用 GRPO 进行内存高效的在线强化学习

何时使用及替代方案对比

常见问题

高级主题

硬件要求

资源