主要观点总结
本文介绍了大模型SFT（Special Token Fine-tuning）的经验技巧和debug分析思路。文章从背景、数据、训练、评估、总结等方面详细讲述了SFT的过程，包括基础知识普及、数据多样性的重要性、训练框架和参数选择、拟合问题处理等。作者强调，SFT工作相对简单，不需要过多的算法或编程知识，主要是经验和对模型感觉的培养。文章还感谢了合作伙伴，并提到了数据派THU公众号。
关键观点总结
关键观点1: 背景篇
文章普及了SFT涉及的基础概念，包括特殊token的预训练阶段和SFT阶段的差异，以及它们对模型生成速度和生成的token数量的影响。
关键观点2: 数据篇
强调了数据多样性和数据质量的重要性，并讨论了数据生产的方法，如利用GPT-4等模型生成prompt和answer，以及数据去重和鲁棒性数据等。
关键观点3: 训练篇
讨论了训练框架、参数设置、以及炼丹技巧，包括epoch、学习率、gradient_accumulation_steps等，并强调了过拟合和欠拟合的处理方法。
关键观点4: 评估篇
介绍了评估方式，包括机评和人评，以及评估结果的分析，如何通过对比评估找出模型不拟合的原因。
关键观点5: 总结篇
总结了SFT的要点，强调了经验和对模型感觉的培养，并感谢了合作伙伴，提到了数据派THU公众号。
文章预览
来源 ：PaperWeekly 本文 约15000字 ，建议阅读 15+分钟 本文 介绍了大模型的 SFT 如何去做。 这篇文章介绍一下大模型的 SFT 如何去做。SFT 其实没有太多的技术细节和琐碎工作需要科普。因此，我会默认读者们都知道 SFT 是做什么的以及如何去做一些简单的 SFT 微调工作，我主要是分享一些经验技巧和 debug 的分析思路。 老样子，为避免老板开了我，涉及到 agent / 复杂指令 / 长文本等相对避讳一点的话题，我会点到为止，主要聊聊大的技术方向，细节可能就不多说了，望大家见谅。 1、背景篇 这里先普及一些 SFT 涉及到的基础概念，方便新人同学理解后续内容，老同学则可以跳过这一篇章。 Special Token pretrain 阶段完全没见过的 token，在 SFT 阶段会被赋予全新的语义。主要用于标注对话的角色：user、assistant、system 这些。 此外，special_token 可以用来“构造知
………………………………
