开始之前
完成自定义循环快速入门,然后通过功能确认所选模型和训练操作已启用。 以下代码片段侧重于用户负责的奖励流程;请根据tinker==0.33.1 和所选模型调整 datum 构建。
本指南并不是一个可独立使用、复制粘贴即可运行的训练器。请先从经过验证的 SDK
工作负载开始,确保其渲染器和 datum 构建方式与所选模型匹配,然后再添加下述奖励流程。
1. 定义范围明确的评分器
将解析与评分分开,以便观察格式错误的输出:2. 为采样创建任务快照
从当前权重创建采样器检查点,然后通过 SDK 解析:3. 将奖励转换为优势值
4. 构建对齐的 datum
提示词是上下文,因此提示词位置通常获得零优势值。补全位置获得响应的组相对优势值。 如果模型输入、目标、对数概率和优势值的长度不同,datum 构建器应在提交前失败:base_model 关联的渲染器和 tokenizer。保留从功能中选择的 SDK
操作所需的采样 token 和对数概率。
5. 更新交互式任务
对于已启用的重要性采样工作流,SDK 调用形式如下:6. 保存恢复边界
- 来自
training_client.get_info().model_data.model_id的规范任务 ID - 应用步骤和数据集游标
- 数据集和奖励实现修订版
- 基础模型和训练配置
- 评估指标
扩大规模前进行验证
- 评分器能区分已知的正确和错误测试数据。
- 格式错误的响应不会使应用循环崩溃。
- 至少一个采样组存在奖励差异。
- Datum 数组符合已安装 SDK 预期的形式。
- 前向/反向传播和优化器 future 在同一个任务上完成。
- 可以使用客户端恢复元数据加载状态检查点。
- 留出评估与训练奖励批次保持独立。

