Training Pipeline

Как обучают LLM: от сырого текста до ChatGPT

Обучить LLM — это не "нажал кнопку train и ушёл пить кофе". Это конвейер из нескольких этапов, где каждый делает своё дело: сначала модель учит язык, потом учится не быть бесполезным автодополнением, и наконец — быть полезной и не советовать делать бомбы. Разбираемся.

Pre-training: модель учит язык

На первом этапе модель тупо читает интернет. Буквально весь: веб-страницы, книги, код, Wikipedia — триллионы токенов. Задача ровно одна: предсказать следующий токен. "Столица Франции —" → "Париж". И вот так, через миллиарды угадаек, модель выучивает всё — от грамматики до квантовой физики. One trick pony, который работает до неприличия хорошо.

• GPT-3 (2020): 175B параметров, 300B токенов — по современным меркам это мало данных
• Qwen3 (2025): 36T токенов — в 120 раз больше данных, чем GPT-3
• SmolLM3 (2025): 3B параметров, 11T токенов — маленькая модель, но обучена на огромном корпусе
• Compute: сотни GPU, месяцы работы, миллионы долларов. GPT-4 стоил ~$100M на обучение

Сколько это стоит в вычислениях? Формула удивительно простая: C ≈ 6·N·D (FLOPs ≈ 6 × параметры × токены). Подробный разбор — в ноде Scaling Laws и токенизация.

Целевая функция — cross-entropy loss: модель предсказывает вероятность следующего токена, а мы штрафуем за неуверенность в правильном ответе. Формула стандартная: L = -1/T * sum(log p(x_t | x_<t)). Оптимизируем через AdamW с warmup + decay.

# Pre-training: всё что нужно — предсказать следующий токен
import torch.nn.functional as F

def pretraining_loss(model, input_ids):
    """Стандартный language modeling loss."""
    logits = model(input_ids[:, :-1])     # предсказания для позиций 1..T-1
    targets = input_ids[:, 1:]             # реальные токены на позициях 1..T
    loss = F.cross_entropy(
        logits.reshape(-1, logits.size(-1)),
        targets.reshape(-1),
        ignore_index=-100  # padding не считаем
    )
    return loss  # скаляр: среднее -log p(правильный токен)

# Compute: SmolLM3 (3B, 11T tokens) ≈ 2e23 FLOPs ≈ 46 дней на 256 GPU
# Подробный расчёт — нода Scaling Laws и токенизация

Mid-training: усиливаем слабые стороны

Mid-training — опциональный этап между pre-training и SFT. Зачем? После pre-training модель может считать как первоклассник, кодить как джун после пятницы, и падать в обморок от длинных документов. Mid-training фиксит это: подкидываем целевые данные (код, математику, научные статьи) и продолжаем тренировку.

• Расширение контекста: 4K → 128K токенов. Модель учится работать с длинными документами
• Доменная специализация: добавляем код → модель лучше кодит, добавляем math → лучше считает
• Long-context training: используют меньший LR и специальный data mix для длинных последовательностей
• Пример: SmolLM3 использует mid-training для расширения контекста и усиления STEM-навыков

SFT: учим модель быть ассистентом

После pre-training модель — это просто навороченный autocomplete. Ты ей "Как приготовить борщ?", а она тебе "Как приготовить плов? Как приготовить...". SFT (Supervised Fine-Tuning) чинит эту беду: берём ~100K примеров "вопрос → ответ" и дообучаем. После SFT модель наконец понимает, что ты задал вопрос, и отвечает на него.

• Dataset: пары instruction → response. Качество данных важнее количества
• SmolLM3: ~100K примеров, 76M токенов. Think/no_think пары для reasoning
• Chat template: system/user/assistant с специальными токенами. Каждая модель — свой формат
• Loss считается только на assistant tokens — модель учится отвечать, а не повторять вопросы

# SFT данные: пары instruction → response в chat template
sft_example = {
    "messages": [
        {"role": "system", "content": "Ты полезный ассистент."},
        {"role": "user", "content": "Объясни backpropagation в 2 предложениях"},
        {"role": "assistant", "content": "Backpropagation считает градиент "
         "loss по каждому весу через chain rule — от выхода к входу. "
         "Это позволяет обновить все веса нейросети за один проход."}
    ]
}
# Loss считается ТОЛЬКО на assistant tokens — подробнее в ноде SFT

RLHF/DPO: alignment — учим быть полезной

SFT учит модель подражать датасету. Но мы хотим большего — чтобы модель была лучше своих учителей. Более полезной, честной и без советов "как растворить тело в кислоте". Для этого есть RLHF и DPO. Идея проста: люди сравнивают ответы модели, а модель учится генерить те, которые люди предпочитают.

• RLHF: обучаем reward model → RL оптимизирует policy → модель генерирует лучшие ответы
• DPO: без reward model, напрямую учим из пар preferred/rejected. Проще и стабильнее
• RLVR (DeepSeek-R1): RL с верифицируемыми ответами (math, code). Правильно = +1, неправильно = 0
• Результат: модель отказывается от вредных запросов, даёт структурированные ответы, рефлексирует

Evaluation: проверяем качество

После каждого этапа нужно проверить — модель стала умнее или мы что-то сломали? Для этого есть бенчмарки — стандартизированные экзамены для AI:

• MMLU: общие знания (57 предметов от истории до физики). «Экзамен для AI»
• GPQA: сложные вопросы уровня PhD. Даже эксперты ошибаются в 35% случаев
• AIME: математические олимпиады. Проверяет рассуждение, а не просто знание формул
• SWE-bench: реальные GitHub issues. Модель должна написать patch, который проходит тесты
• LiveCodeBench: свежие задачи с Codeforces/LeetCode, которых не было в train data

🎯 На собеседовании