原版：State of GPT
B站翻译版：【精校版】Andrej Karpathy微软Build大会精彩演讲： GPT状态和原理 - 解密OpenAI模型训练

1 GPT Training Pipeline图解

记录一下对这个图的理解：

大模型训练的四个阶段：

• Pretraining 阶段，数据：低质量的大量文本，模型任务：Predict Next Token任务；这个阶段的模型更多是模型补全，不等于问答；最漫长的训练步骤，需要个把月，底层模型的选择与训练代价非常大了
• SFT监督学习 ，Prompt问答对的数据，训练集采集的难度较大
• Reward Modeling反馈式模型，判别式模型
• RL learning 强化学习，在RM基础上继续强化

---

2 阶段一：Pretraining 阶段

预训练阶段的模型目标是预测下一步，

虽然不能跟问答一样，当然可以给一些提示，达到类似回答的效果：

---

3 阶段二：SFT监督学习

supervised finetuning

prompt 是人类指令，response 是标注员写得针对人类指令的示例回复；
高质量问答：

这个数据集整理难度蛮高，对于标注员来说需要高质量的回答

---

4 阶段三：Reward Modeling反馈式模型

模型采用的是分类判别式模型，
写一个判断字符串是否是回文字符串的 python 程序，
基于 SFT 模型生成多个回复，比如下面生成了三个回复后让标注员来对生成结果进行排名（排名难度较大，一个 prompt 的答案甚至可能需要几个小时来标注）

---

5:阶段四： RL learning 强化学习

基于上一步的 RM 模型进行强化学习训练，对于prompt之后补齐的文章进行给分，不太好的就负分，好的给高分

6 一些结论

RLHF强化学习 相关：

• 【阶段三 RM】 与 【阶段四 RL】 都是对结果进行特定的“强化”，不过RLHF 模型效果比较好，所以需要加上
• karpathy 认为 RLHF 有用的原因是判别比生成更容易，让标注员去写一些 SFT 的 QA 数据对是比较难的，如果有一个 SFT 模型生成一些数据让标注员判断哪个更好就简单很多
• RLHF 模型降低了熵，对输出文本的确定性更强，SFT 模型更善于给出有区分度的回答
  
  其他还有：
• SFT 相对容易；RLHF 很难，非常不稳定，很难训练，对初学者不友好，而且可能变化快，不推荐一般人来做

7 一些使用建议

讲座还说了一些写prompt的技巧

推理任务的Prompt方式：Chain of thought

两种方式：

• few-shot CoT
  就是根据QA给出一些推理逻辑，然后再问下一个问题，相当于有一个例子可以学习一下
• zero-shot-CoT
  最简单就是Prompt最后加一句话 【 Let’s think step by step】
  

答案不满意，多生成几次

如果对答案不满意，可以多生成几次

反思答案，模型其实并不管生成的内容是否正确，所以你可以反问他，或者prompt的时候多加一句，让他自己检查

Constrained prompting，按规则模型输入、输出

参考材料：

• State of GPT (OpenAI Karpathy 介绍 ChatGPT 原理及现状)