大模型训练三阶段完全指南：从预训练到对齐，一文掌握GPT/LLaMA等模型训练流程(建议收藏)

大模型训练分为预训练、微调和对齐三阶段。预训练阶段使用TB级数据学习通用语言能力；微调阶段通过GB级高质量数据增强特定任务能力；对齐阶段确保输出符合人类价值观，采用3H原则。这三个阶段从知识基础、任务适配到价值对齐，共同构建了大模型训练完整范式，为GPT、LLaMA等模型提供技术路线。

大模型（如GPT、LLaMA、Claude等）的训练通常分为三个阶段：预训练、微调和对齐。这是业内目前公认的大模型开发范式。读完本文后，你将了解大模型训练不同阶段的数据量、数据格式和训练目标。

预训练（Pretraining）

预训练的目标是让模型学习通用的语言表示能力（如语法、知识、推理）。为了达成这一目标，大模型需要有效地解决两个关键问题：一是如何利用大规模的无标签文本进行训练。二是如何构建复杂的语言建模。在前大模型时代，Bert等预训练模型已经表现出很好的语言建模能力。首先这些模型在大规模的无标注样本中进行预训练。

预训练通常的任务包括：

自回归语言建模（如GPT）：模型从左到右逐词预测，适合生成任务，但无法直接利用下文。
掩码语言建模（如BERT）：随机遮盖部分词（如"巴黎是[MASK]的首都"→预测"法国"），能利用双向上下文。
去噪自编码（如BART/T5）：对文本破坏（删除、打乱）后让模型恢复，兼具生成与理解能力。
下一句预测（早期BERT用）：判断两句子是否连续，后因效果有限逐渐弃用。

模型预训练好以后需要进行微调以适应各种下游任务。

随着算力与数据的爆发式增长，大模型时代（如GPT-3、ChatGPT、Gemini等）将预训练技术推向新高度。这些模型不仅继承了传统预训练任务（如自回归建模、掩码预测），还在参数规模上有了很大的飞跃，例如：从BERT的亿级参数（1.1亿）跃升至万亿级（GPT-3达1750亿），模型容量显著提升。大模型在预训练阶段已经拥有大部分的零样本推理能力。无需微调即可通过提示（Prompt）完成翻译、问答等任务（如ChatGPT的指令跟随）。

预训练的数据量规模通常需要 TB级文本数据，来源包括书籍、网页、百科、代码（GitHub）、学术论文等。下表列举了一些常见大模型的预训练词元规模（token），一般都在万亿量级。预训练阶段的词元规模对预训练的效果很关键，在百川大模型2的技术报告指出，参数在7B的模型在1万亿词元预训练后，继续增加预训练的数据量，仍然有较大的提升。

模型	预训练词元规模
GPT - 3	0.3万亿
Llama（70亿、130亿参数）	1万亿
Llama（330亿、650亿参数）	1.4万亿
Llama 2	2万亿
Llama 3	15万亿
Bloom	0.34万亿
DeepSeek（70亿、670亿参数）	2万亿
DeepSeekMoE（160亿参数）	2万亿
DeepSeek - V2（2360亿参数）	8.1万亿

监督微调（Supervised Fine-tuning）

监督微调的目标是增强预训练模型指令遵循能力并激活潜在的推理技能以适应特定任务（如问答、摘要、代码生成）。通过在有标注的任务数据上进行进一步训练，模型能够调整其参数以更好地匹配目标场景的需求。微调通常分为以下几种方式：

全参数微调（Full Fine-tuning）：更新模型的所有参数，适用于数据量较大的任务，但计算成本较高。
轻量级微调（Lightweight Fine-tuning）：仅调整部分参数（如LoRA、Adapter模块），在保持预训练知识的同时高效适配新任务。

微调后的模型能够更精准地理解任务指令，减少通用预训练带来的偏差，并且可以在特定领域（如医疗、法律、金融）中表现出更强的专业性和可靠性。

微调的数据量规模：比预训练小得多，通常 GB级（如Alpaca使用52K指令数据）。此阶段使用的数据质量要高于预训练阶段，往往需要大量的人工标注。

在微调大模型时，数据格式的选择直接影响模型性能。常见的格式包括：

1）结构化数据（如{“input”:“问题”,“output”:“答案”}），适用于单轮问答和文本生成；

2）指令微调数据（如{“instruction”:“翻译成法语”,“input”:“Hello”,“output”:“Bonjour”}），强调任务意图与输出的精准匹配；

3）对话数据（如[{“role”:“user”,“content”:“你好”},{“role”:“assistant”,“content”:“您好”}]），用于构建多轮对话系统；

合理设计这些格式，保持字段标准化，必要时添加任务类型等元数据，能显著提升模型在客服、等场景中的适应能力。

对齐（Alignment）

在微调大语言模型时，确保其输出符合人类价值观并减少有害内容是核心目标，这一目标也称为对齐，旨在大模型的回答对齐人类的偏好和期望。这一过程需要遵循3H原则（Helpful, Honest, Harmless），即要求模型输出应当具备帮助性（Helpful）、诚实性（Honest）和无害性（Harmless）。具体包括：

Helpful（帮助性）

通过指令微调数据（如{“instruction”:“如何健康饮食？”, “response”:“建议多吃蔬菜…”}）训练模型提供实用、具体且符合用户需求的回答。又例如在对话数据中（如[{“role”:“user”, “content”:“帮我规划学习计划”}, {“role”:“assistant”, “content”:“建议每天…”}]），强调回答的针对性和可操作性。

Honest（诚实性）

对事实性任务（如问答），采用结构化数据（如{“input”:“地球是平的？”, “output”:“错误，地球是近球体”}），确保输出基于可靠知识，避免编造信息。通过训练识别并拒绝超出模型知识范围的问题（如回答“我不确定”而非猜测）。

Harmless（无害性）

在数据中显式标注有害内容（如{“text”:“仇恨言论示例”, “label”:“harmful”}），训练模型识别并拒绝暴力、歧视等负面输出。

对齐微调的数据量规模：通常 MB~GB级。如果是强化学习，数据可能仅数万条。数据来源包括人工标注（如OpenAI的RLHF）、AI反馈（如RLAIF）。数据格式一般有两种，通常以对比形式呈现，包含模型生成的不同回答及人类标注的偏好关系。RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）和DPO（Direct Preference Optimization，直接偏好优化）代表了当前最先进的基于人类偏好的语言模型优化方法。RLHF通过分离的奖励建模和强化学习提供了强大的对齐框架，而DPO则提供了更高效稳定的替代方案。

对齐的时候常常采取对偶式和排序式的数据以提供人类偏好的信号。

对偶式数据（Pairwise Data）：

{ "prompt": "请解释量子力学的基本概念", "chosen": "量子力学是研究物质世界微观粒子运动规律的物理学分支，主要概念包括波粒二象性、量子叠加和量子纠缠...", "rejected": "量子力学就是关于量子的力学，比如原子和电子之类的" }

排序式数据（Ranked Data）：

{ "prompt": "写一首关于春天的诗", "responses": [ {"text": "春天来了，花儿开了", "rank": 2}, {"text": "春风拂面百花开，燕子归来柳絮飞。青山绿水皆含笑，万物复苏春意回。", "rank": 1}, {"text": "春天", "rank": 3} ] }