2025年初，随着DeepSeek的迅速走红，公众对LLM（大语言模型）的兴趣急剧上升。许多人被LLM展现出的近乎魔法的能力所吸引。然而，这些看似神奇的模型背后究竟隐藏着什么秘密？接下来，我们将深入探讨LLM的构建、训练和微调过程，揭示它们如何从基础模型演变为我们今天所使用的强大AI系统。
这篇文章是我一直想写的，如果你有时间，它绝对值得一读。文章分为两部分：
第一部分：我们将介绍LLM的基础知识，涵盖从预训练到后训练的整个过程，探讨神经网络的工作原理、幻觉现象（Hallucinations）以及模型的推理机制。
第二部分：我们将深入探讨人工智能/人类反馈强化学习（RLHF）、o1模型研究、DeepSeek R1以及AlphaGo等高级主题。
现在，让我们从LLM的构建开始，逐步揭开它们的神秘面纱。
第1部分
训练大语言模型（LLM）主要分为两个核心阶段：预训练（Pre-training）和后训练（Post-training）。这两个阶段共同构成了LLM从零到一的学习过程。
1. 预训练（Pre-training）在LLM能够生成连贯文本之前，它需要先掌握语言的基本规律，这一过程称为预训练。预训练是一个计算密集型任务，涉及大量数据和复杂的模型优化。
步骤1：数据收集与预处理训练LLM的第一步是收集海量高质量的文本数据。目标是构建一个多样化且覆盖面广的数据集，以便模型能够学习到丰富的语言知识和上下文关系。
一个常见的数据来源是 Common Crawl，这是一个免费开放的网页爬取数据库，包含了过去18年间约2500亿个网页的数据。然而，原始网页数据通常包含大量噪声，如垃圾信息、重复内容和低质量文本，因此数据预处理是必不可少的环节。
https://commoncrawl.org/
如果你对经过清洗和整理的数据集感兴趣，可以查看 FineWeb，它是Common Crawl的一个优化版本，已在Hugging Face上公开提供。
https://huggingface.co/spaces/HuggingFaceFW/blogpost-fineweb-v1
在完成文本数据的清理后，下一步是进行分词（Tokenization）处理。
步骤2：分词（Tokenization）在神经网络能够处理文本之前，文本需要被转换为数值形式。这一转换过程称为分词（Tokenization）。分词的作用是将单词、子词或字符映射为唯一的数值token。这些token是语言模型的基本构建单元，是模型理解和处理语言的核心组件。
以GPT-4为例，其可能的token数量为100,277个。每个token对应一个唯一的数值ID，模型通过这些ID来识别和处理文本。
如果你想直观地了解分词的过程，可以尝试使用Tiktokenizer工具。它允许你输入任意文本，并查看其如何被拆解为token以及每个token对应的数值ID。
https://tiktokenizer.vercel.app/
通过分词，文本被转化为模型可以理解的数值序列，为后续的模型训练和推理奠定了基础。
步骤3：神经网络训练（Neural Network Training）在文本经过分词处理后，神经网络的任务是学习如何根据上下文预测下一个token。具体来说，模型会接收一串输入token（例如“我正在烹饪”），并通过其复杂的数学结构——即模型的架构——进行处理，最终输出对下一个token的预测。
这一过程是LLM训练的核心。模型通过不断调整其内部参数，逐步学会从海量数据中捕捉语言规律，从而能够生成连贯且符合上下文的文本。这种基于上下文的学习能力，使得LLM能够在各种任务中表现出色。
神经网络主要由两个关键部分构成：：
1.参数（参数，Weights）：通过训练学习得到的数值，用于调整模型的行为。2.架构（Architecture）：定义输入token如何被处理以生成输出的数学结构。在训练初期，模型的预测几乎是随机的。但随着训练的推进，它逐渐学会为可能的下一个token分配概率。当模型正确预测了token（例如“食”）时，会通过**反向传播（Backpropagation）**调整其数十亿个参数。这一优化过程旨在提高正确预测的概率，同时降低错误预测的概率，从而不断强化模型的学习能力。
这个过程会在海量数据集上重复数十亿次，直到模型能够高效地捕捉语言规律。
基础模型（Base Model）：预训练的成果在这一阶段，基础模型已经学会了：
理解单词、短语和句子之间的关联。识别训练数据中的统计模式。然而，基础模型并未针对具体任务进行优化。你可以将其视为一个高级的“自动补全系统”——它能够基于概率预测下一个token，但缺乏对指令的精确理解和执行能力。
基础模型有时会逐字复述训练数据，并可以通过上下文学习（In-Context Learning）进行特定应用。例如，通过在提示（Prompt）中提供示例，引导模型生成符合预期的响应。但为了让模型在实际应用中更加可靠和有用，还需要进一步的训练和优化。
2. 后训练（Post-Training）：让模型更实用基础模型虽然具备了语言理解和生成能力，但尚未经过精细打磨。为了让模型在实际应用中更加实用、可靠和安全，需要进行后训练（Post-Training）。这一阶段通常在更小、更专业的数据集上进行微调，以优化模型的行为和性能。
由于神经网络无法像传统软件那样通过显式编程来调整，我们只能通过训练来“编程”它。具体来说，就是让模型学习结构化的、带标注的数据集，这些数据集代表了理想的交互示例。
后训练的方式后训练阶段会创建专门的数据集，这些数据集包含结构化的示例，指导模型在不同情境下的回应方式。以下是两种常见的后训练方法：
指令/对话微调（Instruction/Conversation Fine-Tuning）目标是让模型学会遵循指令、执行任务、进行多轮对话、遵守安全规范以及拒绝恶意请求。例如，OpenAI的InstructGPT（2022）项目聘请了约40名人工标注者来创建高质量的数据集。这些标注者编写提示（Prompts）并提供符合安全指南的理想响应。如今，许多数据集由AI自动生成，再经过人工审核和编辑以确保质量。领域特定微调（Domain-Specific Fine-Tuning）目标是使模型适应特定领域的需求，例如医学、法律、编程等。通过在这些领域的高质量数据上进行微调，模型能够生成更专业、更准确的响应。特殊token的引入
在后训练阶段，还会引入一些特殊token，这些token在预训练阶段并未使用。它们的作用是帮助模型理解交互的结构。例如：
标记用户输入的起始与结束。标记AI响应的起始位置。这些特殊token确保模型能够正确区分提示（Prompt）和回答（Reply），从而生成更符合上下文的响应。
通过后训练，模型不仅能够更好地理解任务和指令，还能在特定领域和复杂交互中表现出色，最终成为一个实用且可靠的AI系统。
3. 推理（Inference）——模型如何生成新文本推理是模型生成新文本的过程，它可以在任何阶段进行，甚至可以在预训练中途执行，以评估模型的学习效果。当模型接收到一组输入token后，它会根据训练中学到的模式，为所有可能的下一个token分配概率。
然而，模型并非总是选择概率最高的token，而是通过概率分布采样来决定下一个token。这类似于抛掷一个带偏向的硬币，高概率的token更有可能被选中，但低概率的token仍有机会被选择。
这个过程是迭代进行的：每个新生成的token都会成为下一次预测的输入。由于token选择具有一定的随机性，即使输入相同，模型也可能生成不同的输出。通过这种方式，模型能够生成训练数据中未直接出现但符合统计规律的文本。
4. 幻觉（Hallucinations）——当LLM生成错误信息幻觉（Hallucination）是指LLM生成虚假或错误信息的情况。这种现象的根本原因在于，LLM并不“理解”事实——它只是根据训练数据预测最可能的单词序列。
在早期，LLM的幻觉问题尤为严重。例如，如果训练数据中包含大量类似“谁是…”的问题，并且这些问题都有明确的答案，模型可能会学习到：这类查询应该总是有一个自信的回答，即使它实际上并不具备相关知识。
这种倾向导致模型在缺乏准确信息时，仍然会生成看似合理但实际错误的回答。解决幻觉问题是LLM研究和开发中的重要挑战之一，需要通过更高质量的训练数据、更精细的后训练以及引入外部知识库等方法来缓解。
因此，当模型被问及一个未知人物时，它不会自然地回答“我不知道”，因为在训练过程中，这种模式并未被充分强化。相反，模型会基于已有的统计模式生成一个看似合理的猜测，而这种行为往往会导致它编造出虚假或错误的信息。
如何减少幻觉？方法一：训练模型说“我不知道”提高模型的事实准确性需要明确训练它识别自身知识的边界，并学会在不确定时回答“我不知道”。这一过程比表面看起来更复杂，通常通过自我询问（Self-Interrogation）来实现。
自我询问可以通过另一个AI模型自动化完成。该模型生成问题以探测知识盲点。如果模型生成了错误的答案，系统会加入新的训练示例，其中正确的回应是：“我不确定。能否提供更多上下文？”
训练机制：
如果模型在训练中多次遇到某个问题，它会为正确答案分配较高的概率。
如果模型从未遇到过某个问题，它会在多个可能的token之间均匀分配概率，从而使输出更加随机，没有单一token被认为是最可能的选择。
微调效果：
通过微调，模型被显式训练以处理低置信度的输出，并用预定义的回应（如“我不知道”）来应对。例如，当询问ChatGPT-4o一个无意义的问题时，它会正确回应：“我不确定那是谁。能否提供更多上下文？”
方法二：引入网络搜索一种更先进的方法是赋予模型访问外部搜索工具的能力，从而扩展其知识范围，使其能够超越训练数据的限制。
工作原理：
当模型检测到不确定性时，可以触发一次网络搜索。搜索结果会被插入到模型的上下文窗口中，成为其“工作记忆”的一部分。模型在生成响应时会参考这些新信息。
优势：
这种方法不仅减少了幻觉，还显著提升了模型的实用性，使其能够提供更准确、实时的信息。
通过结合这两种方法，模型能够在面对未知问题时表现得更加可靠，同时减少生成虚假信息的可能性。
5. 模糊记忆与工作记忆LLM 通常通过两种方式访问知识：
模糊记忆
这是模型在预训练过程中存储的知识，基于从海量互联网数据中学到的统计模式。虽然这种记忆覆盖范围广泛，但它并不精确，也无法直接搜索。
工作记忆
这是模型在推理过程中可以直接访问的信息，存储在其上下文窗口中。任何提供的文本都会作为短期记忆，使模型能够在生成响应时回忆相关细节。通过在上下文窗口中添加相关事实，可以显著提高模型响应的质量。
6. 自我认知当被问到“你是谁？”或“是什么构建了你？”等问题时，LLM 会根据其训练数据生成一个统计上最可能的回应，除非被显式编程以提供准确答案。LLM 并不具备真正的自我意识，它们的回应完全依赖于训练过程中学到的模式。
为了让模型表现出一致的身份，可以使用系统提示（System Prompt）。通过预定义的指令，系统提示可以描述模型的身份、能力以及局限性，从而引导模型生成符合预期的回答。
7. 结束语第一部分的内容到此结束！希望这些解释能帮助你更好地理解 LLM 的工作原理。在第二部分，我们将深入探讨强化学习以及一些最新的模型研究。敬请期待！
第2部分
在之前的部分中，我们讨论了训练LLM的两个主要阶段：预训练：从海量数据集中学习，形成基础模型。监督微调（SFT）：通过精心挑选的示例优化模型，使其更实用。现在，我们将深入探讨第三个关键阶段：强化学习（Reinforcement Learning，RL）。尽管预训练和SFT已经是成熟的方法，但RL仍在不断发展，并成为训练流程中不可或缺的一部分。
RL的目的是什么？人类和LLM处理信息的方式存在显著差异。例如，对于人类来说，基本的算术是直观的，而LLM则将文本视为一串token序列，这对它们来说并不直观。然而，LLM能够在复杂主题上生成专家级回答，仅仅因为它们在训练过程中见过足够多的示例。
这种认知差异使得人类注释者难以提供一组“完美”的标签来持续引导LLM找到正确答案。RL弥补了这一差距，它允许模型从自身的经验中学习。模型不再仅仅依赖显式标签，而是通过探索不同的token序列，并根据哪些输出最有用来获得反馈（奖励信号）。随着时间的推移，模型学会了更好地与人类意图对齐。
RL背后的直觉LLM本质上是随机的——即使是相同的提示，输出也可能不同，因为它是从概率分布中采样的。我们可以利用这种随机性，通过并行生成成千上万甚至数百万个可能的响应。这可以看作是模型在探索不同的路径——有些是好的，有些是差的。我们的目标是鼓励模型更多地选择较好的路径。
为了实现这一点，我们让模型在那些导致更好结果的token序列上进行训练。与监督微调（SFT）不同，SFT依赖人类专家提供的标签数据，而RL则允许模型从自身的学习中进步。模型通过发现哪些响应最有效，并在每个训练步骤后更新其参数。随着时间的推移，这使得模型在未来收到相似提示时，更有可能生成高质量的答案。
然而，如何确定哪些响应是最好的？应该进行多少RL训练？这些细节非常复杂，精准实现并不容易。
RL并不是“新”的——它能超越人类专业水平（AlphaGo，2016）RL的强大力量的一个经典例子是DeepMind的AlphaGo，它是第一个击败职业围棋选手的AI，并最终超越了人类水平。
在2016年《自然》杂志的论文中，当一个模型仅通过SFT训练（即给模型大量好的示例让其模仿）时，模型能够达到人类水平的表现，但永远无法超越它。虚线代表韩国围棋选手李世石的表现。这是因为SFT关注的是复制，而非创新——它无法让模型发现超越人类知识的新策略。然而，RL使AlphaGo能够与自己对弈，改进策略，并最终超越人类的专业水平（蓝线）。
强化学习（RL）代表了人工智能领域的一个令人兴奋的前沿。通过将模型训练在一个多样化且充满挑战的问题池中，RL使模型能够探索超越人类想象的策略，从而优化其思维和决策能力。
RL基础回顾让我们快速回顾一下典型RL设置的关键组成部分：
Agent（智能体）这是学习的主体，负责在环境中采取行动。Environment（环境）智能体与之交互的外部世界，它会根据智能体的行动给出反馈。State（状态）环境在某一时刻的具体情况，智能体根据状态决定行动。在每个时间点，智能体（Agent）会在环境（Environment）中执行一个动作（Action），这个动作会将环境从当前状态（State）转移到新的状态。同时，智能体会收到一个奖励（Reward），这是一个数值形式的反馈，用于评估动作的好坏。正奖励鼓励智能体重复该行为，而负奖励则起到抑制作用。
通过不断从不同状态和动作中收集反馈，智能体逐渐学习出最佳策略（Policy），以在长期内最大化累积奖励。这种学习过程使智能体能够在复杂环境中做出更优的决策。
策略策略（Policy）是智能体的决策规则。如果智能体遵循一个好的策略，它将在每个状态下做出正确的决策，从而在多个步骤中累积更高的奖励。用数学术语来说，策略是一个函数（πθ(a|s)），它定义了在给定状态下选择不同动作的概率。
价值函数价值函数（Value Function）用于评估某个状态的好坏，考虑的是长期期望奖励。对于LLM（大语言模型）而言，奖励可能来自人类反馈或奖励模型。
Actor-Critic架构Actor-Critic是一种流行的强化学习框架，结合了两个关键组件：
Actor（演员）负责学习和更新策略（πθ），决定在每个状态下应该采取哪个动作。Critic（评论者）评估价值函数（V(s)），为Actor提供反馈，告知其选择的动作是否带来了好的结果。工作原理：
Actor基于当前策略选择一个动作。Critic评估结果（奖励 + 下一个状态）并更新其价值估计。Critic的反馈帮助Actor优化策略，使未来的动作能够获得更高的奖励。将其与LLM结合在LLM的上下文中：
状态可以是当前的文本（提示或对话）。动作是生成的下一个token（词或子词）。奖励模型（例如人类反馈）告诉模型生成的文本是好是坏。策略是模型选择下一个token的规则。价值函数评估当前文本上下文对最终生成高质量响应的贡献程度。DeepSeek-R1为了强调RL的重要性，我们以DeepSeek-R1为例进行探讨。这是一种在保持开源的同时达到顶尖性能的推理模型。该研究提出了两个模型：
DeepSeek-R1-Zero仅通过大规模的RL进行训练，跳过了监督微调（SFT）。DeepSeek-R1在DeepSeek-R1-Zero的基础上进一步优化，解决了训练中遇到的挑战。通过RL，DeepSeek-R1展示了如何在不依赖显式标签的情况下，通过自我探索和优化实现卓越的性能。这一方法为LLM的训练提供了新的思路和可能性。
1. RL算法：GRPOGRPO（Group Relative Policy Optimisation，群组相关策略优化）是一种改变游戏规则的RL算法，它是PPO（Proximal Policy Optimisation，近端策略优化）的变种，于2024年2月在《DeepSeekMath》论文中被提出。
为什么选择GRPO而不是PPO？
PPO在推理任务中表现较差的原因包括：
依赖评论者模型（Critic Model）：PPO需要一个单独的评论者模型，这会增加内存和计算开销。训练复杂性：评论者模型在处理细致或主观任务时可能变得复杂。高计算成本：RL流水线需要大量资源来评估和优化响应。绝对奖励评估：PPO依赖于单一标准判断答案的好坏，难以捕捉开放性任务的细微差别。GRPO如何解决这些挑战？
GRPO通过相对评估消除了对评论者模型的依赖。响应在一个组内进行比较，而不是通过固定标准判断。可以将其类比为学生之间互相比较答案，而不是由老师单独评分。随着时间的推移，模型的表现会趋向于更高质量。
GRPO的训练过程
GRPO通过修改损失计算方式，保持其他训练步骤不变：
收集数据：查询（问题）和响应（答案）。旧策略（模型的旧快照）为每个查询生成多个候选答案。分配奖励：每个组内的响应都会被评分（即“奖励”）。计算GRPO损失：测量新策略生成过去响应的可能性。评估这些响应的相对质量（更好或更差）。应用裁剪以防止极端更新，最终得到一个标量损失。反向传播 + 梯度下降：反向传播计算每个参数对损失的贡献。梯度下降更新参数以减少损失。更新旧策略：偶尔更新旧策略，使其与新策略匹配，为下一轮比较刷新基准。2. CoT（Chain of Thought，思维链）传统的LLM训练流程是：预训练 → SFT → RL。然而，DeepSeek-R1-Zero跳过了SFT，允许模型直接探索思维链（CoT）推理。
CoT的作用
CoT使模型能够像人类一样，将复杂问题分解为中间步骤，从而增强推理能力。OpenAI的o1模型也利用了这一点，其2024年9月的报告指出：o1的表现随着更多RL训练和推理时间的增加而提升。
DeepSeek-R1-Zero的特点
DeepSeek-R1-Zero表现出反思性倾向，能够自我精炼推理过程。论文中的关键图表显示，随着训练的进行，模型的思考深度增加，生成了更长（更多token）、更详细且更优的响应。
在没有显式编程的情况下，模型开始重新审视过去的推理步骤，从而显著提高了准确性。这一现象突显了思维链推理（CoT）作为RL训练的一种涌现特性——即模型通过自我反思和优化，逐步提升其推理能力。
此外，模型还经历了一个“啊哈时刻”（见下图）——这是一个令人着迷的例子，展示了RL如何催生出意想不到且复杂的结果。这种时刻标志着模型在训练过程中实现了质的飞跃，展现了RL在推动AI能力边界方面的巨大潜力。
需要注意的是，与DeepSeek-R1不同，OpenAI并未在o1模型中展示完整的推理链条。这是因为他们担心蒸馏风险（Distillation Risk）——即有人可能试图通过模仿这些推理痕迹来恢复大量的推理性能。为了避免这种风险，o1模型只会总结思维链条，而不是完整展示其推理过程。
RLHF（Reinforcement learning with Human Feedback，带有人工反馈的强化学习）
对于具有明确可验证输出的任务（例如数学问题或事实问答），AI的回答可以轻松评估。然而，对于像总结或创意写作这样没有单一“正确”答案的领域，如何评估模型的表现呢？
这就是人工反馈的作用所在。通过引入人类评估，模型能够学习生成更符合人类偏好和意图的响应。然而，传统的强化学习方法在这种场景下并不可扩展，因为完全依赖人工反馈会导致高昂的成本和效率低下。
RLHF通过结合人类反馈和强化学习，使模型能够在复杂任务中学习更优的策略，同时保持可扩展性和实用性。这种方法为模型在开放性和主观性任务中的表现提供了重要支持。
让我们通过一些假设的数字来直观地理解传统方法的局限性。
在需要评估开放性任务（如创意写作、诗歌或总结）时，完全依赖人工评估是不现实的。假设需要十亿次人工评估，这种方法不仅成本高昂，而且效率低下，难以扩展。因此，更智能的解决方案是训练一个AI奖励模型，让它学习人类的偏好，从而大幅减少人工工作量。
为什么使用排名而非绝对评分？
对响应进行排名比直接评分更容易且更直观。人类更容易判断哪个回答更好，而不是为每个回答分配一个具体的分数。
RLHF的优点：
广泛适用性：RLHF可以应用于任何领域，包括创意写作、诗歌、总结等开放性任务。简化评估：对输出进行排名比生成人工标签或创意输出更容易。RLHF的缺点：
奖励模型的局限性：奖励模型是近似的，可能无法完美反映人类的偏好。RL模型可能会利用奖励模型的漏洞，生成荒谬的输出但仍获得高分，尤其是在训练时间过长的情况下。RLHF与传统RL的区别
传统RL：适用于可验证的领域（如数学、编程），模型可以无限运行并发现新的策略。
RLHF：更像是一个微调步骤，用于将模型与人类的偏好对齐，而不是发现全新的策略。
通过RLHF，模型能够在开放性任务中生成更符合人类期望的响应，同时减少对人工评估的依赖。然而，奖励模型的局限性仍需谨慎处理，以避免模型生成低质量或不合逻辑的输出。
·
我们相信人工智能为普通人提供了一种“增强工具”，并致力于分享全方位的AI知识。在这里，您可以找到最新的AI科普文章、工具评测、提升效率的秘籍以及行业洞察。
欢迎关注“福大大架构师每日一题”，让AI助力您的未来发展。
·
