吴恩达推出LLM后训练免费课程覆盖三大调优方法SFTDPORL

刚刚，吴恩达（@AndrewYNg）发布了一门新课程「 Post-training of LLMs 」。

该课程由华盛顿大学助理教授、NexusFlow联合创始人Banghua Zhu（@BanghuaZ）主讲。

这门课程瞄准了当下AI领域最实用的技术：

如何把一个只会预测下一个词的模型，变成真正能帮你干活的助手 。

要知道，训练一个LLM需要两个关键阶段：预训练和后训练。

预训练阶段，模型从海量无标注文本中学习预测下一个词或token。而后训练阶段，它才学会真正有用的行为： 遵循指令、使用工具和推理 。

后训练把一个通用的token预测器（在数万亿无标注文本token上训练的模型）转变成一个能遵循指令并执行特定任务的助手。

更重要的是，后训练比预训练便宜得多 ，这让更多团队有机会把后训练方法纳入自己的工作流程。

三种后训练方法

课程重点介绍了三种常见的后训练方法：

监督微调（SFT）

你给模型提供输入和理想输出的配对数据进行训练。这是最直接的方法，就像教小孩认字一样，告诉它「看到这个问题，就这样回答」。

直接偏好优化（DPO）

你同时提供一个偏好（chosen）和一个不太偏好（rejected）的响应，训练模型偏向更好的输出。这就像告诉模型「这个答案好，那个答案差」，让它学会分辨优劣。

在线强化学习（RL）

模型生成输出后，根据人类或自动反馈获得奖励分数，然后更新模型以提升性能。这更像是「 做对了给糖，做错了改正 」的训练方式。

动手实践才是王道

这门课程最大的亮点是 大量的动手实验 。

你将：

构建SFT管道，把基础模型变成指令模型

探索DPO如何通过最小化对比损失来重塑行为——惩罚糟糕的响应，强化偏好的响应

实现DPO管道来改变聊天助手的身份

学习在线RL方法，如近端策略优化（PPO）和群体相对策略优化（GRPO），以及如何设计奖励函数

使用GRPO训练模型，通过可验证的奖励提升其数学能力

所有实验都基于从Hugging Face下载的预训练模型，你能亲眼看到每种技术如何塑造模型行为。

社区反响热烈

课程一发布就引发了热烈讨论。

TaskDrift™（@TaskDrift）指出了关键：

更多人需要理解后训练的力量。SFT、DPO和RL不只是大实验室的专利，它们为小团队解锁了真正的用例。很高兴这门课程让它变得实用且动手。

Consciousness is logic（@logicThink11031）认为：

理论上，它可以填补LLM的空白，但本质上，这仍然是一种精化网格的努力（类似于微积分接近无穷的概念）。

他进一步指出：

我一直认为：从图灵工具→McCulloch-Pitts神经网络→LLM，从智能的角度来看，整体方向应该是错误的。如果我们不在理论上改变方向，只是盲目地填补空白，意义不大！

Sudhir Gajre（@SudhirGajre）则从实践角度给出建议：

Andrew，诚然还没看过课程材料。但我建议加入一些关于上下文工程边界和限制的讨论。在我看来，只有在你用尽了CE之后，才应该考虑后训练。

后训练是LLM训练中发展最快的领域之一

无论你是想构建高精度的特定上下文助手、微调模型的语气，还是提升特定任务的准确性，这门课程都能让你亲身体验当今塑造LLM后训练的最重要技术。

Victor Ajayi（@the_victorajayi）的评价很有代表性：

我一直渴望深入了解后训练，这门课程看起来是完美的机会。SFT、DPO和RL是塑造真实世界AI行为的强大工具，迫不及待想看看每种方法在实践中如何工作。感谢让这变得易于获取！

如果说预训练就像教一个人识字，让他认识所有的字词，理解语言的基本规律。

那么后训练，则是教他如何写作——什么时候该用什么词，如何组织语言来表达特定的意思。