只进行过「预训练」的模型是没办法直接使用的，存在输出有毒、危险信息的风险，也无法有效遵循人类指令，所以通常还需要进行后训练（post-train），如「指令微调」和「从人类反馈中学习」，以使模型为各种下游用例做好准备。
早期的后训练工作主要遵循InstructGPT等模型的标准方案，如指令调整（instruction tuning）和偏好微调（preference finetuning），不过后训练仍然充满玄学，比如在提升模型编码能力的同时，可能还会削弱模型写诗或遵循指令的能力，如何获得正确的「数据组合」和「超参数」，使模型在获得新知识的同时，而不失去其通用能力，仍然很棘手。
为了解决后训练难题，各大公司都提升了后训练方法的复杂性，包括多轮训练、人工数据加合成数据、多训练算法和目标等，以同时实现专业知识和通用功能，但这类方法大多闭源，而开源模型的性能又无法满足需求，在LMSYS的ChatBotArena上，前50名模型都没有发布其训练后数据。
最近，Allen Institute for AI（AI2）发布了一系列完全开放、最先进的训练后模型Tülu 3，以及所有数据、数据混合、配方、代码、基础设施和评估框架，其突破了训练后研究的界限，缩小了开源模型和闭源模型微调配方之间的性能差距。
论文链接：https://allenai.org/papers/tulu-3-report.pdf
TÜLU 3-70B：https://hf.co/allenai/Llama-3.1-Tulu-3-70B
TÜLU 3-8B：https://hf.co/allenai/Llama-3.1-Tulu-3-8B
TÜLU 3 数据：https://hf.co/collections/allenai/tulu-3-datasets673b8df14442393f7213f372
TÜLU 3 代码：https://github.com/allenai/open-instruct
TÜLU 3 评估：https://github.com/allenai/olmes
Demo：https://playground.allenai.org/
模型训练算法包括有监督式微调（SFT）、直接偏好优化（DPO）以及可验证奖励强化学习（RLVR）
TÜLU 3基于Llama 3.1的基础模型构建，其性能超越了Llama 3.1-instruct、Qwen 2.5、Mistral，甚至超越了如GPT-4o-mini和Claude 3.5-Haiku等模型。
TÜLU 3的训练过程结合了强化学习的新算法、前沿的基础设施和严格的实验，构造数据，优化不同训练阶段的数据混合、方法和参数，主要包括四个阶段。
第一阶段：数据构造
研究人员主要关注模型在知识召回（knowledge recall）、推理、数学、编程、指令遵循、普通聊天和安全性等核心通用技能，然后根据目标需求来收集人工数据和合成数据。
第二阶段：监督微调（SFT）
研究人员在精心选择的提示和完成内容上执行监督式微调（SFT），首先确定了在使用Llama 3.1模型训练在TÜLU 2数据集上作为基准时，哪些技能落后于最先进的模型，然后有针对性地收集高质量的公开数据集和合成数据集。
通过一个完善的实验，确定了最终SFT数据和训练超参数，以增强目标核心技能，同时不会显著影响其他技能的性能。
关键的数据实验包括：
1. 多样化的聊天数据：主要来自WildChat，如果移除该数据集，可以看到大多数技能都有小幅但明显的下降，尤其是在Alpaca Eval上，凸显了「多样化真实世界数据」的重要性。
2. 安全性是独立的：移除特定安全数据集后，可以看到大多数技能的结果大致保持不变；添加对比提示，如CoCoNot，有助于防止模型过度拒绝安全提示。
3. 新的Persona Data，主要针对数学、编程和指令遵循进行构建，移除后，HumanEval(+)、GSM8K、MATH和IFEval的性能都会显著下降。
4. 针对特定技能（Targeting Specific Skills），移除所有数学相关数据后，GSM8K和MATH都有显著下降。
5. 智能体训练数据的数量，可以发现，在不断增加数据集规模时，模型平均性能持续提高，增加到完整混合数据集后，GSM8K等指标上的性能大幅提升，但TruthfulQA的性能下降了。
第三阶段：偏好调整
研究人员主要使用直接偏好优化（DPO），针对新构造的、基于策略的合成偏好数据，以及从选定提示中获得的离策略数据。与SFT阶段一样，我们通过彻底的实验确定了最佳的偏好数据混合，揭示了哪些数据格式、方法或超参数能带来改进。
在TÜLU 3项目中，研究人员探索了多种偏好微调方法，目标是提升整个评估套件的性能；并研究了多种训练算法，从直接偏好优化（DPO）及其衍生算法到强化学习算法，比如近端策略优化（PPO）。
研究人员通过改进和扩展UltraFeedback流程，从提示中创建了策略内偏好数据（包括输入、两个输出选项和标签），使用大型语言模型（LLM）作为裁判，构造「偏好的、被拒绝的」数据对，主要包括三个阶段：
1. 提示选择
除了数据构造阶段的提示外，还包括了其他来源的提示，比如没有TruthfulQA实例的Ultrafeedback版本，或者通过在提示中添加新的IF约束。
2. 生成回复
对于给定的提示，从模型池中随机抽取四个模型来生成回复，再通过从TÜLU SFT模型中抽样完成情况来包括策略内数据。其中一个回应是由策略内模型生成的，另一个回应是由策略外模型生成的。
3. 偏好标注
在为每个提示生成四个回复后，使用一个大型语言模型（LLM）作为裁判（GPT-4o-2024-0806），然后根据四个不同的方面（有帮助性、遵循指令、诚实性和真实性）对每个回复从1到5进行评分。
第四阶段：可验证奖励的强化学习
研究人员引入了一种名为可验证奖励强化学习（RLVR）的新型方法，用于训练语言模型完成具有可验证结果的任务，比如数学问题解决和指令遵循。
RLVR基于现有的强化学习人类反馈（RLHF）目标，但将奖励模型替换为验证函数，当应用于具有可验证答案的领域，其在GSM8K等基准测试上显示出针对性的改进，同时还能保持其他任务的性能。
RLVR可以看作是现有引导语言模型推理的方法的简化形式，或者是一种更简单的强化学习形式，其中使用答案匹配或约束验证作为二元信号来训练模型。
RLVR数据主要包括两个领域（数学、精确指令遵循），评估数据集为GSM8k, MATH和IFEval
为了提升效率，RLVR的实现细节主要包括：
1. 用通用奖励模型来初始化价值模型；
2. 禁用dropout，在奖励模型和强化学习训练期间，将dropout概率设置为0，确保在策略模型和参考模型的前向传递过程中，token的对数概率可以确定性地计算，从而更准确地估计KL惩罚。此外，PPO在滚动阶段和学习阶段计算token的对数概率，重要的是要确保这两个阶段的token对数概率相匹配，如果使用dropout，对数概率差异会很大，导致裁剪后梯度为零。
3. 使用智能体训练数据集并在周期之间随机，PPO可以训练的周期数超过可用提示的总数，有效地进行多个周期的训练。在我们的RLVR消融实验中，我们大约训练了13个周期。我们在周期之间对提示进行洗牌。对于我们的最终运行，我们每40-100步检查一次模型检查点，并选择在我们开发评估集上表现最佳的检查点。
4. 非序列结束（EOS）惩罚：在训练期间，PPO通常采样固定数量的最大token。如果采样的回复没有以EOS token结束，给予-10的惩罚。
5. 优势归一化：过减去均值然后除以其标准差来归一化优势（advantages）。
研究人员首先将一个直接偏好优化（DPO）模型作为初始模型，然后进行了一系列消融实验：
1. 单独任务。分别在GSM8K、MATH和IFEval任务上应用了RLVR方法，并遍历了一系列beta值。在评估时，关注可验证的奖励、KL散度和回应长度。
2. 价值模型初始化消融实验。尝试从一个通用奖励模型和锚定的DPO模型初始化PPO的价值模型，并在GSM8K任务上遍历一系列beta值。通用奖励模型是使用UltraFeedback数据集训练的。在评估时，检查GSM8K测试评估得分和所有评估的平均得分。
3. 从奖励模型得分的消融实验。在奖励模型的得分基础上增加可验证的奖励，并在GSM8K任务上使用了一系列beta值进行实验。
4. 从性能较弱的模型开始。模型的基础能力也是一个干扰因素，使用平均得分较低的SFT模型进行另一组实验。
TÜLU 3评估
在后续训练方法中，建立清晰的性能目标和评估工具非常关键。
研究人员发布了一个统一的标准化评估套件和一个工具包，以指导开发和评估最终模型，并对训练数据进行净化，以符合评估基准，主要目标包括：
1. 评估过程应该是可复现的；
2. 应该评估模型对未见任务的泛化能力，而不仅仅是我们用于开发的特定基准测试。
3. 评估设置（例如，提示的模板和策略）对各种模型公平。
开放语言模型评估系统（OLMES）
为了使评估更加标准化和可复现，研究人员开源了Open Language Model Evaluation System，其支持更广泛的模型集合和任务、可以对每个任务进行灵活配置、直接访问任务描述、分析模型预测、置信度等的详细实例级的数据。
比如说，要复现Llama-3.1-8B-Instruct在MMLU-Pro上的结果，只需简单运行类似「olmes –task mmlu_pro::tulu3 –model llama3.1-8b-instruct」的命令。
