今天凌晨，知名大模型訓練、開發平臺Predibase發布了，首個端到端強化微調平臺（RFT）。

與傳統的監督式微調相比，RFT不依賴大量的標注數據，而是通過獎勵和自定義函數來完成持續的強化學習，同時支持無服務器和端到端訓練方法，從數據管理、訓練模型到應用部署可以在同一個平臺全部完成。

也就是說，你只需要一個瀏覽器，設定微調目標、上傳數據、就能完成以前非常復雜的大模型微調流程。

在線體驗地址：https://predibase.com/reinforcement-fine-tuning-playground

為了展示RFT強大功能，Predibase根據阿里開源的Qwen2.5-Coder-32B-instruct，微調了一個專門用于將PyTorch代碼翻譯為Triton的模型。

這是一個大多數LLM都難以完成的任務，需要對兩個框架都有深入的理解，并且需要復雜的推理能力來考慮計算效率，并且Qwen2.5-Coder-32B-instruct在微調之前準確率比較低。

通過RFT，Predibase在訓練過程結合了冷啟動監督式微調、強化學習和課程學習，并且只使用了十幾個標記數據點。

在Kernelbench數據集上進行的基準測試顯示，Qwen2.5-Coder-32B-instruct經過強化后，其正確率比DeepSeek-R1和OpenAI的o1高出3倍，比Claude 3.7 Sonnet高出4倍以上，而模型的體量卻比這三個小很多。

目前，Predibase已經開源了微調后的Qwen2.5-Coder-32B-instruct模型。

開源地址：https://huggingface.co/predibase/Predibase-T2T-32B-RFT

技術優勢方面，RFT不依賴大量標注數據，而傳統方法需要海量標注數據來指導模型學習，這些數據通常需要人工標注，成本高昂且耗時。RFT則通過獎勵函數來引導模型學習，無需大量標注數據，獎勵函數可根據任務的特定需求評估模型輸出，來引導模型的優化目標。

RFT的適應性與靈活性更強。傳統方法依賴于標注數據的質量和數量，若標注數據有限或不準確，模型性能會受限。而RFT允許用戶根據具體任務需求自定義獎勵函數，靈活定義模型優化目標。

例如在代碼生成任務中，可定義獎勵函數驗證代碼正確性；在問答任務中，可定義獎勵函數評估答案相關性和準確性。

RFT具備持續改進能力。傳統方法通常是一次性過程，模型訓練完成后難以繼續改進。RFT則支持持續改進，隨著獎勵函數優化和更多反饋數據積累，模型能不斷學習和改進，適應任務需求變化。

在訓練與推理效率方面，傳統方法通常需在本地環境中進行，對硬件資源要求高，且需手動管理訓練和部署過程。

而Predibase提供的RFT平臺是完全托管的無服務器平臺，用戶無需管理底層服務器或基礎設施，平臺自動處理訓練、部署和推理全過程，大大降低了開發和運維復雜性。此外，RFT利用多LoRA框架和流式微批處理技術，實現了高效的訓練和推理。

RFT還支持復雜任務的課程學習。傳統方法在處理復雜任務時，通常需大量標注數據覆蓋各種情況，否則模型難以學習到有效策略。RFT則支持課程學習，即從簡單到復雜逐步訓練模型，使其能處理更復雜任務，這在需要深度推理的任務中特別有效。

在模型部署方面，傳統方法部署模型通常需額外工具和配置，且難以保證高性能。Predibase的推理引擎原生支持RFT訓練的模型，并提供高性能的無服務器部署解決方案，用戶可將訓練好的模型快速部署到生產環境中，并獲得行業級服務水平支持。

RFT還具備更好的泛化能力。傳統方法可能會導致模型過度擬合標注數據，從而在未見過的數據上表現不佳。RFT通過獎勵函數引導模型學習，使模型能更好地泛化到未見過的數據上，提升其在實際應用中的魯棒性。

Predibase表示，DeepSeek在開源R1之后，在全球AI領域產生了巨大影響，讓很多人意識到強化學習微調對訓練大模型的重要性。受此啟發，他們開發了這個端到端無服務器強化微調平臺。

本文素材來源Predibase，如有侵權請聯系刪除

報告下載

大 佬觀點分享

關于RPA、AI、企業數字化轉型

(點擊文字即可閱讀)

| |

| | |

| | |

| | |

| |

行業知識交流分享，結識擴展人脈圈層

公眾號后臺回復【RPA】或者【流程挖掘】

可受邀加入相關的交流群