gpt-llm-trainer：自动训练模型的AI工具

只需一句话，描述你想要大模型去做什么。

就有一系列AI自己当“模型训练师”，帮你完成从生成数据集到微调的所有工作。

比如让70亿参数羊驼大模型学会优化GPT-4提示词，整个过程只要20分钟。

秘诀就是网友分享的一个可以帮咱自动训练模型的AI工具：

它能帮你搞定数据收集、写代码等一系列操作，你要做的就是用人话描述你要什么，然后坐等即可。

可能是全世界最简单的大模型微调方法了（手动狗头）。

并且成本也不高，羊驼这个例子花费就不超15美元（合100来块人民币）。

好消息，小哥已将它直接开源（GitHub1k标星），你也可以试试。

AI模型训练师操作指南

如上图所示，此工具名叫gpt-llm-trainer。

如果你也想用它来自动微调某个大模型，首先需要准备：

1、Google Colab或者本地Jupyter notebook；
2、如果选前者，请切换到可用的最佳GPU（执行“Runtime -> change runtime type”）；
3、以及一个OpenAI API key（主要还是用的GPT-4能力）。

然后就可以进入具体操作了：

1、先写你的提示词，也就是你希望这个微调后的模型需要具备什么功能。

可以肯定的是，描述得越清晰越好。

官方也给了一个简单的示例：

A model that takes in a puzzle-like reasoning-heavy question in English, and responds with a well-reasoned, step-by-step thought out response in Spanish.

2、设定两个值：

（1）temperature，生成数据集的“温度”（取值0-1），值越高代表创意性越强，越低代表越精确；
（2）number_of_examples，要生成的示例数量，推荐从100开始。

3、无脑“下一步”，运行所有cell，完成“生成数据集”、“自动分为训练集和验证集”、“安装各种必备库”、“定义超参数”、“加载数据集并训练”这一系列自动步骤。

之后，你就能得到一个微调好的新模型了。

需要注意的是，这个过程可能在10分钟到几个小时不等，取决于你设置的示例生成数量。

4、最后执行“Run Inference”测试效果，完毕。

相当简单有没有。

值得一提的是，作者已经盘点出了一些待改进的地方，比如：

• 改进示例生成pipeline，让生成效率更高，成本更低；
• 添加示例修剪功能，删除相似的样本从而提高性能；
• 根据示例和数据集的详细信息（比如示例数量），利用GPT-4自动选择超参数，甚至是要微调的模型；
• 训练多个变体，推出评估损失（eval loss）最少的那个；
  ……

大家也可以浅浅期待一波。

如此神器，出自谁手？

我们简单挖了一下，发现作者的来头还不小。

他叫Matt Shumer，推特粉丝1.7万。

Matt自己开了家公司，产品名叫HyperWriteAI。

这是一个厉害的浏览器操作agent，可以像人一样操作谷歌浏览器来完成一系列任务，比如订披萨。

和gpt-llm-trainer一样，你只需要用文字描述目标，它就会一边列步骤，一边执行。

号称“比AutoGPT强”——

目前，HyperWriteAI已经可以在谷歌扩展程序中安装了，显示用户已达10w+。

最后，我们翻看这位大佬的推特，发现他当天最新的一条推文是：

几周之后，大语言模型的前景就可能要变天了。

可能又在酝酿什么大动作？（手动狗头）

更新：大佬又发了一个类似的自动工具，名叫gpt-oracle-trainer。

只需上传一个产品文档，就能自动训练出一个可以回答有关该产品问题的聊天机器人。

友情链接：
[1]https://github.com/mshumer/gpt-llm-trainer
[2]https://github.com/mshumer/gpt-oracle-trainer