title: “Fine Tuning With Trl — TRL: SFT, DPO, PPO, GRPO, reward modeling for LLM RLHF” sidebar_label: “Fine Tuning With Trl” description: “TRL: SFT, DPO, PPO, GRPO, reward modeling for LLM RLHF”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

使用 TRL 进行微调

TRL 支持用于大语言模型 RLHF 的 SFT、DPO、PPO、GRPO 以及奖励建模等训练方法。

技能元数据


来源	可选 —— 可通过 `hermes skills install official/mlops/trl-fine-tuning` 安装
路径	`optional-skills/mlops/training/trl-fine-tuning`
版本	`1.0.0`
开发者	Orchestra Research
许可证	MIT
依赖项	`trl`, `transformers`, `datasets`, `peft`, `accelerate`, `torch`
支持平台	linux、macos、windows
标签	`训练后优化`、`TRL`、`强化学习`、`微调`、`SFT`、`DPO`、`PPO`、`GRPO`、`RLHF`、`偏好对齐`、`HuggingFace`

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。技能激活后，智能体将看到这些内容作为操作指令。: ::

TRL —— Transformer 强化学习

快速入门

TRL 提供了多种训练后优化方法，用于使语言模型更符合人类偏好。

安装方式：

pip install trl transformers datasets peft accelerate

监督式微调（指令微调）：

from trl import SFTTrainer

trainer = SFTTrainer(
    model="Qwen/Qwen2.5-0.5B",
    train_dataset=dataset,  # Prompt-completion pairs
)
trainer.train()

DPO（与用户偏好保持一致）：

from trl import DPOTrainer, DPOConfig

config = DPOConfig(output_dir="model-dpo", beta=0.1)
trainer = DPOTrainer(
    model=model,
    args=config,
    train_dataset=preference_dataset,  # chosen/rejected pairs
    processing_class=tokenizer
)
trainer.train()

常见工作流程

工作流程 1：完整的 RLHF 流水线（SFT → 奖励模型 → PPO）

从基础模型到符合人类偏好模型的完整流程。

复制此清单：

RLHF Training:
- [ ] Step 1: Supervised fine-tuning (SFT)
- [ ] Step 2: Train reward model
- [ ] Step 3: PPO reinforcement learning
- [ ] Step 4: Evaluate aligned model

步骤 1：监督式微调

使用指令遵循数据对基础模型进行训练：

from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import SFTTrainer, SFTConfig
from datasets import load_dataset

# Load model
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-0.5B")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-0.5B")

# Load instruction dataset
dataset = load_dataset("trl-lib/Capybara", split="train")

# Configure training
training_args = SFTConfig(
    output_dir="Qwen2.5-0.5B-SFT",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=2e-5,
    logging_steps=10,
    save_strategy="epoch"
)

# Train
trainer = SFTTrainer(
    model=model,
    args=training_args,
    train_dataset=dataset,
    tokenizer=tokenizer
)
trainer.train()
trainer.save_model()

步骤 2：训练奖励模型

训练模型以预测人类的偏好：

from transformers import AutoModelForSequenceClassification
from trl import RewardTrainer, RewardConfig

# Load SFT model as base
model = AutoModelForSequenceClassification.from_pretrained(
    "Qwen2.5-0.5B-SFT",
    num_labels=1  # Single reward score
)
tokenizer = AutoTokenizer.from_pretrained("Qwen2.5-0.5B-SFT")

# Load preference data (chosen/rejected pairs)
dataset = load_dataset("trl-lib/ultrafeedback_binarized", split="train")

# Configure training
training_args = RewardConfig(
    output_dir="Qwen2.5-0.5B-Reward",
    per_device_train_batch_size=2,
    num_train_epochs=1,
    learning_rate=1e-5
)

# Train reward model
trainer = RewardTrainer(
    model=model,
    args=training_args,
    processing_class=tokenizer,
    train_dataset=dataset
)
trainer.train()
trainer.save_model()

步骤 3：PPO 强化学习

利用奖励模型优化策略：

python -m trl.scripts.ppo \
    --model_name_or_path Qwen2.5-0.5B-SFT \
    --reward_model_path Qwen2.5-0.5B-Reward \
    --dataset_name trl-internal-testing/descriptiveness-sentiment-trl-style \
    --output_dir Qwen2.5-0.5B-PPO \
    --learning_rate 3e-6 \
    --per_device_train_batch_size 64 \
    --total_episodes 10000

第4步：评估

from transformers import pipeline

# Load aligned model
generator = pipeline("text-generation", model="Qwen2.5-0.5B-PPO")

# Test
prompt = "Explain quantum computing to a 10-year-old"
output = generator(prompt, max_length=200)[0]["generated_text"]
print(output)

工作流程 2：基于 DPO 的简单偏好对齐

无需奖励模型即可实现模型与偏好的对齐。

复制此检查清单：

DPO Training:
- [ ] Step 1: Prepare preference dataset
- [ ] Step 2: Configure DPO
- [ ] Step 3: Train with DPOTrainer
- [ ] Step 4: Evaluate alignment

步骤 1：准备偏好设置数据集

数据集格式：

{
  "prompt": "What is the capital of France?",
  "chosen": "The capital of France is Paris.",
  "rejected": "I don't know."
}

加载数据集：

from datasets import load_dataset

dataset = load_dataset("trl-lib/ultrafeedback_binarized", split="train")
# Or load your own
# dataset = load_dataset("json", data_files="preferences.json")

步骤 2：配置 DPO

from trl import DPOConfig

config = DPOConfig(
    output_dir="Qwen2.5-0.5B-DPO",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=5e-7,
    beta=0.1,  # KL penalty strength
    max_prompt_length=512,
    max_length=1024,
    logging_steps=10
)

步骤 3：使用 DPOTrainer 进行训练

from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import DPOTrainer

model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-0.5B-Instruct")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-0.5B-Instruct")

trainer = DPOTrainer(
    model=model,
    args=config,
    train_dataset=dataset,
    processing_class=tokenizer
)

trainer.train()
trainer.save_model()

命令行界面替代方案：

trl dpo \
    --model_name_or_path Qwen/Qwen2.5-0.5B-Instruct \
    --dataset_name argilla/Capybara-Preferences \
    --output_dir Qwen2.5-0.5B-DPO \
    --per_device_train_batch_size 4 \
    --learning_rate 5e-7 \
    --beta 0.1

工作流程 3：基于 GRPO 的低内存在线强化学习

以极低的内存占用实现强化学习训练。

如需了解关于 GRPO 的深入指导——包括奖励函数设计、关键的训练要点（损失行为、模式崩溃问题及参数调优方法），以及高级的多阶段训练策略，请参阅 references/grpo-training.md。可用于实际生产的训练脚本位于 templates/basic_grpo_training.py。

复制此检查清单：

GRPO Training:
- [ ] Step 1: Define reward function
- [ ] Step 2: Configure GRPO
- [ ] Step 3: Train with GRPOTrainer

步骤 1：定义奖励函数

def reward_function(completions, **kwargs):
    """
    Compute rewards for completions.

    Args:
        completions: List of generated texts

    Returns:
        List of reward scores (floats)
    """
    rewards = []
    for completion in completions:
        # Example: reward based on length and unique words
        score = len(completion.split())  # Favor longer responses
        score += len(set(completion.lower().split()))  # Reward unique words
        rewards.append(score)
    return rewards

或者可以使用奖励模型：

from transformers import pipeline

reward_model = pipeline("text-classification", model="reward-model-path")

def reward_from_model(completions, prompts, **kwargs):
    # Combine prompt + completion
    full_texts = [p + c for p, c in zip(prompts, completions)]
    # Get reward scores
    results = reward_model(full_texts)
    return [r["score"] for r in results]

步骤 2：配置 GRPO

from trl import GRPOConfig

config = GRPOConfig(
    output_dir="Qwen2-GRPO",
    per_device_train_batch_size=4,
    num_train_epochs=1,
    learning_rate=1e-5,
    num_generations=4,  # Generate 4 completions per prompt
    max_new_tokens=128
)

第3步：使用GRPOTrainer进行模型训练

from datasets import load_dataset
from trl import GRPOTrainer

# Load prompt-only dataset
dataset = load_dataset("trl-lib/tldr", split="train")

trainer = GRPOTrainer(
    model="Qwen/Qwen2-0.5B-Instruct",
    reward_funcs=reward_function,  # Your reward function
    args=config,
    train_dataset=dataset
)

trainer.train()

命令行界面：

trl grpo \
    --model_name_or_path Qwen/Qwen2-0.5B-Instruct \
    --dataset_name trl-lib/tldr \
    --output_dir Qwen2-GRPO \
    --num_generations 4

何时使用 TRL 及其替代方案

适合使用 TRL 的情况：

需要使模型符合人类偏好
已拥有偏好数据（选择/拒绝的样本对）
希望使用强化学习算法（PPO、GRPO）
需要进行奖励模型训练
执行完整的 RLHF 流水线

方法选择指南：

SFT：拥有提示词与回复对应样本，仅需实现基础指令遵循功能
DPO：已有偏好数据，希望进行简单对齐（无需奖励模型）
PPO：已构建奖励模型，需对强化学习过程实现最大程度控制
GRPO：内存资源受限，希望进行在线强化学习
奖励模型：正在搭建 RLHF 流水线，需要对生成内容进行评分

可选择的其他方案：

HuggingFace Trainer：无需强化学习的基础微调工具
Axolotl：基于 YAML 的训练配置工具
LitGPT：用于教学目的的轻量级微调工具
Unsloth：高效的 LoRA 微调工具

常见问题

问题：DPO 训练时出现内存不足

解决方案：减小批量大小和序列长度。

config = DPOConfig(
    per_device_train_batch_size=1,  # Reduce from 4
    max_length=512,  # Reduce from 1024
    gradient_accumulation_steps=8  # Maintain effective batch
)

或者可以使用渐变检查点技术：

model.gradient_checkpointing_enable()

问题：对齐质量较差

调整 beta 参数：

# Higher beta = more conservative (stays closer to reference)
config = DPOConfig(beta=0.5)  # Default 0.1

# Lower beta = more aggressive alignment
config = DPOConfig(beta=0.01)

问题：奖励模型无法学习

请检查损失类型与学习率：

config = RewardConfig(
    learning_rate=1e-5,  # Try different LR
    num_train_epochs=3  # Train longer
)

需确保偏好数据集中有明确的胜出项：

# Verify dataset
print(dataset[0])
# Should have clear chosen > rejected

问题：PPO训练不稳定

调整KL系数：

config = PPOConfig(
    kl_coef=0.1,  # Increase from 0.05
    cliprange=0.1  # Reduce from 0.2
)

高级主题

SFT训练指南：有关数据集格式、对话模板、打包策略以及多GPU训练的相关内容，请参阅 references/sft-training.md。

DPO变体：关于IPO、cDPO、RPO以及其他DPO损失函数，以及相应的推荐超参数，可查看 references/dpo-variants.md。

奖励建模：涉及结果奖励与过程奖励的区分、Bradley-Terry损失函数以及奖励模型评估方法，详见 references/reward-modeling.md。

在线强化学习方法：PPO、GRPO、RLOO以及OnlineDPO等方法的详细配置信息，请参考 references/online-rl.md。

GRPO深度解析：本文将深入探讨专家级GRPO应用技巧，包括奖励函数设计理念、训练过程中的问题分析（如损失值上升原因、模式崩溃检测方法）、超参数调优策略、多阶段训练流程以及故障排查方法。可直接使用的生产级模板见 templates/basic_grpo_training.py。

硬件要求

GPU：NVIDIA显卡（需支持CUDA）
VRAM内存：取决于所选模型与训练方法
- SFT 7B模型：16GB（使用LoRA技术时）
- DPO 7B模型：24GB（用于存储参考模型）
- PPO 7B模型：40GB（需同时存储策略模型与奖励模型）
- GRPO 7B模型：24GB（内存效率更高）
多GPU支持：可通过accelerate库实现
混合精度训练：推荐使用BF16格式（适用于A100/H100显卡）

内存优化建议：

所有训练方法均建议采用LoRA/QLoRA技术
启用梯度检查点功能
采用较小的批量大小并结合梯度累积技术

参考资源

文档文档：https://huggingface.co/docs/trl/
GitHub仓库：https://github.com/huggingface/trl
相关论文：
- 《通过人类反馈训练语言模型以遵循指令》（InstructGPT，2022年）
- 《直接偏好优化：你的语言模型其实是一个奖励模型》（DPO，2023年）
- 《群体相对策略优化》（GRPO，2024年）
示例代码：https://github.com/huggingface/trl/tree/main/examples/scripts

Keyboard shortcuts

Hermes Agent Docs i18n