探索強化微調RFT：PPO驅動的新應用

希望大家不要再感慨 SFT 沒價值了，也別感慨 RFT 真牛啊，完全追不上 OpenAI 之類的話，感慨無用。

原標題：聊聊對強化微調RFT的理解及看法：PPO 下的新應用范式
文章來源：智猩猩GenAI
內容字數：3953字

RFT的理解與應用

在即將到來的智猩猩AI新青年講座中，清華大學在讀博士生李镕輝將分享關于《音樂驅動的高質量長序列舞蹈生成》的主題。此外，本文將探討對RFT（Reinforcement Fine-Tuning）的理解，基于OpenAI的直播及相關論文進行分析。

1. RFT的定義

RFT可以被理解為在給定prompt的基礎上，生成包含cot（chain of thought）的response，并通過一個verifier判斷其正確性，從而指導模型進行參數更新。與傳統的PPO（Proximal Policy Optimization）相比，RFT的關鍵創新在于使用rule-based reward_model作為返回信號。

2. RFT的價值

RFT的主要價值在于其能夠針對特定復雜任務創建專家模型。通過定制任務的verifier，RFT可以用更少的數據，甚至是十分之一的數據，輕松超越傳統SFT（Supervised Fine-Tuning）的結果。RFT特別適合于法律、保險、醫療等領域，這些領域通常有明確的“正確答案”。

3. 字節的ReFT

字節的ReFT可以被視為OpenAI RFT在數學任務上的簡化實現。ReFT的過程包括通過SFT獲得模型，生成帶cot的response，并根據答案的正確性進行評分和模型更新。盡管ReFT的創新看似平常，但其在o1之前的發表為其增添了價值。

4. RFT的影響

對于像字節這樣的算力大廠，RFT可以幫助其提升服務能力，因此需要緊跟這一技術發展。而對于普通從業者而言，短期內不會有太大變化，仍需進行SFT訓練。但長遠來看，需關注PPO的重要性，并調整學習方向。

5. 結語

希望大家對SFT的價值有新的認識，RFT雖是新技術，但并不意味著SFT失去意義。對RFT感興趣的讀者可以通過OpenRLHF代碼進行實踐，深入理解這一新興技術。

聯系作者

文章來源：智猩猩GenAI
作者微信：
作者簡介：智猩猩旗下公眾號之一，深入關注大模型與AI智能體，及時搜羅生成式AI技術產品。