今天凌晨，知名大模型训练、开发平台Predibase发布了，首个端到端强化微调平台（RFT）。
与传统的监督式微调相比，RFT不依赖大量的标注数据，而是通过奖励和自定义函数来完成持续的强化学习，同时支持无服务器和端到端训练方法，从数据管理、训练模型到应用部署可以在同一个平台全部完成。
也就是说，你只需要一个浏览器，设定微调目标、上传数据、就能完成以前非常复杂的大模型微调流程。
在线体验地址：https://predibase.com/reinforcement-fine-tuning-playground
为了展示RFT强大功能，Predibase根据阿里开源的Qwen2.5-Coder-32B-instruct，微调了一个专门用于将PyTorch代码翻译为Triton的模型。
这是一个大多数LLM都难以完成的任务，需要对两个框架都有深入的理解，并且需要复杂的推理能力来考虑计算效率，并且Qwen2.5-Coder-32B-instruct在微调之前准确率比较低。
通过RFT，Predibase在训练过程结合了冷启动监督式微调、强化学习和课程学习，并且只使用了十几个标记数据点。
在Kernelbench数据集上进行的基准测试显示，Qwen2.5-Coder-32B-instruct经过强化后，其正确率比DeepSeek-R1和OpenAI的o1高出3倍，比Claude 3.7 Sonnet高出4倍以上，而模型的体量却比这三个小很多。
目前，Predibase已经开源了微调后的Qwen2.5-Coder-32B-instruct模型。
开源地址：https://huggingface.co/predibase/Predibase-T2T-32B-RFT
技术优势方面，RFT不依赖大量标注数据，而传统方法需要海量标注数据来指导模型学习，这些数据通常需要人工标注，成本高昂且耗时。RFT则通过奖励函数来引导模型学习，无需大量标注数据，奖励函数可根据任务的特定需求评估模型输出，来引导模型的优化目标。
RFT的适应性与灵活性更强。传统方法依赖于标注数据的质量和数量，若标注数据有限或不准确，模型性能会受限。而RFT允许用户根据具体任务需求自定义奖励函数，灵活定义模型优化目标。
例如在代码生成任务中，可定义奖励函数验证代码正确性；在问答任务中，可定义奖励函数评估答案相关性和准确性。
RFT具备持续改进能力。传统方法通常是一次性过程，模型训练完成后难以继续改进。RFT则支持持续改进，随着奖励函数优化和更多反馈数据积累，模型能不断学习和改进，适应任务需求变化。
在训练与推理效率方面，传统方法通常需在本地环境中进行，对硬件资源要求高，且需手动管理训练和部署过程。
而Predibase提供的RFT平台是完全托管的无服务器平台，用户无需管理底层服务器或基础设施，平台自动处理训练、部署和推理全过程，大大降低了开发和运维复杂性。此外，RFT利用多LoRA框架和流式微批处理技术，实现了高效的训练和推理。
RFT还支持复杂任务的课程学习。传统方法在处理复杂任务时，通常需大量标注数据覆盖各种情况，否则模型难以学习到有效策略。RFT则支持课程学习，即从简单到复杂逐步训练模型，使其能处理更复杂任务，这在需要深度推理的任务中特别有效。
在模型部署方面，传统方法部署模型通常需额外工具和配置，且难以保证高性能。Predibase的推理引擎原生支持RFT训练的模型，并提供高性能的无服务器部署解决方案，用户可将训练好的模型快速部署到生产环境中，并获得行业级服务水平支持。
RFT还具备更好的泛化能力。传统方法可能会导致模型过度拟合标注数据，从而在未见过的数据上表现不佳。RFT通过奖励函数引导模型学习，使模型能更好地泛化到未见过的数据上，提升其在实际应用中的鲁棒性。
Predibase表示，DeepSeek在开源R1之后，在全球AI领域产生了巨大影响，让很多人意识到强化学习微调对训练大模型的重要性。受此启发，他们开发了这个端到端无服务器强化微调平台。
本文素材来源Predibase，如有侵权请联系删除
