Lecture 4：LLM training

1. LLM训练范式转变

（1）传统机器学习

逻辑：给定具体任务 → 从头训练专属模型
案例：垃圾邮件检测、情感提取、机器翻译模型相互独立，无参数/特征复用
问题：计算资源浪费、泛化能力极差、跨任务迁移无可能

（2）迁移学习

逻辑：预训练通用模型 → 微调适配新任务（部分复用已训练模型的参数/特征）
改进：实现一定程度的资源复用，但预训练目标并非“通用语言理解”，跨任务能力有限

（3）LLM核心训练范式

逻辑：预训练（学通用规律）+ 微调（适配端任务）
预训练：无具体任务约束，训练LLM理解自然语言/代码的底层模式、语法、语义、逻辑
微调：基于预训练模型，针对具体任务（如翻译、问答）做轻量化调优，无需从头训练
核心优势：实现通用语言能力，单模型可适配多任务，资源复用率最大化

2. 预训练

2.1. 核心目标

Learn pattern of language and code（学习自然语言与代码的底层模式）

自然语言：支持多语种（英、法、波斯语等），学习语法、语义、上下文关联、常识
代码：支持多编程语言（Python、Go等），学习语法、逻辑、函数调用、工程规范
最终结果：让模型具备无任务约束的通用语言/代码理解与生成能力

2.2. 目标函数

Predict next token（下一个令牌预测）

输入：以BOS（Begin of Sentence）为起始的令牌序列，如 $[BOS]$ A teddy bear is …
输出：下一个令牌的概率分布，模型通过最小化“预测令牌与真实令牌的交叉熵损失”完成训练
本质：自回归训练，基于前文预测后文，是所有自回归LLM的核心预训练任务

2.3. 数据来源与规模

（1）数据混合（Data mixtures）

两类核心数据源：

Web-scraped（网络爬取）：Common Crawl（通用网络数据）、Wikipedia（维基百科，结构化知识）
Code（代码数据）：GitHub（开源代码库）、Stack Overflow（代码问答）

（2）数据规模

万亿级令牌（Approx. trillions of tokens），典型模型对比：

模型	预训练令牌量（# tokens）
GPT-3	300 billion（3000亿）
LLaMA 3	15 trillion（15万亿）

2.4. 核心计算指标（PPT标注定义/公式/量级对比）

（1） $FLOPs$ （ $FL$ oating-point $OP$ eration $s$ ，浮点运算总次数）

定义：衡量模型训练的总计算量，与令牌数、模型参数数正相关
公式： $f(tokens, parameters)$ （无具体解析式，为定性关联）
量级对比：小神经网络 ~ $10^{7}$ → 大RNN ~ $10^{14}$ → LLM ~ $10^{25}$

（2） $FLOPS or FLOP/s$ （ $FL$ oating-point $OP$ erations per $S$ econd，每秒浮点运算次数）

定义：衡量硬件的计算性能，即单位时间内可完成的浮点运算次数
量级对比：智能手机 ~ $10^{12}$ → 普通电脑 ~ $10^{14}$ → 超级计算机 ~ $10^{18}$ （硬件性能差距决定LLM训练需高性能集群）

2.5. 核心规律

（1）缩放规律（scaling）

核心结论：模型测试损失 L 随计算量、数据集大小、模型参数数的增加而单调下降，三者存在明确的幂律关系：
- 与数据集大小(tokens) $D$ ： $L=(D/5.4*10^{13})^{-0.095}$
- 与模型参数数(non-embedding) $N$ ： $L=(N/8.8*10^{13})^{-0.076}$
- 与最小计算量(PF-days,non-embedding) $C_{min}$ ： $L=(C_{min}/2.3*10^8)^{-0.050}$
本质：更大的模型、更多的数据、更高的计算量，必然带来模型性能的提升。

（2）样本效率（Sample efficiency）

核心结论：模型参数数越多，样本效率越高（即达到相同测试损失，大模型需要的训练令牌数更少）
图表验证：10⁹参数模型的测试损失远低于10³参数模型，且随令牌数增加，损失下降速度更快。

（3）Chinchilla定律（Chinchilla law）

核心前提：缩放规律未考虑计算量最优，仅增大参数数/数据量会导致资源浪费
核心结论：模型参数数 $N$ 与训练令牌数 $T$ 必须按比例缩放，才能实现训练计算量的最优利用，避免“参数多数据少”或“数据多参数少”
表格数据（计算量与参数/令牌的对应关系，Gopher为基准单位，FLOPs为计算量）：

参数数	FLOPs	FLOPs（Gopher单位）	训练令牌数
400 Million	1.92e+19	1/29,968	8.0 Billion
1 Billion	1.21e+20	1/4,761	20.2 Billion
10 Billion	1.23e+22	1/46	205.1 Billion
67 Billion	5.76e+23	1（基准）	1.5 Trillion
175 Billion	3.85e+24	6.7	3.7 Trillion
1 Trillion	1.27e+26	221.3	21.2 Trillion

关键结论：670亿参数模型的最优训练令牌数为1.5万亿，是工业界大模型设计的经典参考。

3. LLM训练与应用的核心挑战

（1）成本问题（Cost）

经济成本：训练一次大模型至少数百万美元（含硬件、算力、人力）
时间成本：训练周期长（数周/数月），需7×24小时高性能集群运行
环境成本：消耗巨量电力（单模型训练耗电可达数万度），带来能源与环境负担

（2）知识学习问题（Learned knowledge）

Knowledge cutoff（知识截止）——模型仅能学习训练数据截止时间前的知识，无法掌握实时信息
Hard to edit knowledge（知识编辑困难）——LLM的知识分布式存储在模型参数中，无明确的“知识节点”，修改单个知识点会牵一发而动全身，甚至导致模型性能下降
Plagiarism（抄袭风险）——训练数据包含大量有版权的文本/代码，模型生成结果可能与训练数据高度相似，存在版权侵权风险

4. LLM的训练流程

LLM_Training

图1 LLM训练流程

（1）初始化（Initialization）

操作：随机初始化模型所有参数 $\theta_0$ ，参数规模为十亿到数百亿级
影响：作为训练起点，初始化方式直接影响模型收敛速度

（2）前向传播（Forward pass）

操作：输入训练数据，通过Transformer解码器计算模型输出，得到损失值 $L$
关键变量：Activations（激活值）——各层网络的输出，是计算损失的核心依据
损失值影响因素： $L = f(model\_size, batch\_size, context\_length)$

（3）反向传播（Backwards pass）

操作：基于损失值 $L$ ，通过链式法则计算损失对模型参数的梯度
核心公式： $\nabla \mathscr{L}\left(\theta_{t}\right)$ （ $t$ 为训练步数， $\theta_t$ 为第 $t$ 步的模型参数）
关键变量：Gradients（梯度）——是模型参数更新的唯一依据，梯度消失/爆炸会导致训练失败

（4）参数更新（Weights update，PPT核心公式，Adam优化器）

优化器：Adam（Adaptive Moment Estimation），为LLM训练的标配优化器
核心更新公式： $\theta_{t+1} \leftarrow \theta_{t}-\alpha \frac{m_{t}}{\sqrt{v_{t}}+\epsilon}$

其中：

$\alpha$ ：学习率（超参数，控制参数更新步长）

$m_t$ ：梯度的一阶矩估计（动量，平滑梯度更新），公式： $m_{t+1} \leftarrow \beta_{1} m_{t}+\left(1-\beta_{1}\right) \nabla \mathscr{L}\left(\theta_{t}\right)$

$v_t$ ：梯度的二阶矩估计（自适应学习率，对不同参数设置不同步长），公式： $v_{t+1} \leftarrow \beta_{2} v_{t}+\left(1-\beta_{2}\right)\left(\nabla \mathscr{L}\left(\theta_{t}\right)\right)^{2}$

$\epsilon$ ：极小值（防止分母为0，一般取 $10^{-8}$ ）

$\beta_1, \beta_2$ ：矩估计的衰减系数（超参数，一般取0.9和0.999）

关键变量：Optimizer state（优化器状态）——存储 $m_t$ 和 $v_t$ ，是Adam优化器的核心，会占用大量显存。

5. LLM训练核心瓶颈：内存

5.1. 硬件限制：NVIDIA H100 GPU参数

（1）核心结论

显存容量有限：H100 SXM（80GB）、H100 NVL（94GB），无法直接承载百亿级参数的LLM训练
低精度计算速度远高于高精度：FP8（8位浮点）速度是FP64（64位浮点）的100倍以上，为“混合精度训练”提供硬件基础

（2）H100核心性能参数（单位：teraFLOPS/TOPS）

精度类型	H100 SXM	H100 NVL
FP64	34	30
FP64 Tensor Core	67	60
FP32	67	60
TF32 Tensor Core	989	835
BFLOAT16 Tensor Core	1979	1671
FP16 Tensor Core	1979	1671
FP8 Tensor Core	3958	3341
INT8 Tensor Core	3958 TOPS	3341 TOPS

5.2. 内存优化：并行训练

5.2.1. 数据并行（Data Parallelism）

（1）核心思路：将训练批次数据均匀拆分到多个GPU；每个GPU完整复制模型参数/梯度/优化器状态；各GPU独立计算梯度后，通过通信同步梯度，再统一更新参数

（2）问题：参数/梯度/优化器状态在多GPU间完全冗余，显存利用率极低（如8GPU数据并行，显存浪费7/8）

5.2.2. ZeRO优化（Zero Redundancy Optimization）

Zero

图2 ZeRO优化

（1）核心目标：消除数据并行中的冗余信息，提升显存利用率

（2）优化版本：

ZeRO-1：仅共享优化器状态（ $m_t, v_t$ ），参数和梯度仍冗余
ZeRO-2：共享优化器状态 + 梯度，仅参数冗余
ZeRO-3：共享优化器状态 + 梯度 + 参数，无冗余信息，显存利用率最高

（3）本质：将冗余的参数/梯度/优化器状态拆分到多个GPU，而非复制，是大模型训练的标配优化。

5.2.3. 模型并行（Model parallelism）

（1）核心思路：将模型的计算逻辑/参数拆分到多个GPU，而非复制完整模型，适用于超大规模模型（万亿参数）

（2）具体类型：

张量并行（TP）：将单个层的权重矩阵拆分到多个GPU，并行计算
流水线并行（PP）：将模型的不同层拆分到多个GPU，按流水线方式计算
序列并行（SP）/上下文并行（CP）/专家并行（EP）：针对序列长度/上下文/专家层的拆分方式

5.3. 内存优化：Flash Attention

图3 传统自注意力与Flash Attention的计算思路

5.3.1. 传统自注意力的问题

（1）自注意力核心公式： $Attention(Q,K,V) = softmax\left(\frac{Q K^{T}}{\sqrt{d_{k}}}\right) V$

其中 $d_k$ 为Q/K的维度， $\sqrt{d_k}$ 为防止内积过大导致softmax饱和。

（2）传统计算流程：从HBM（低速大显存）加载 $Q / K$ 分块 → 计算 $S=QK^T$ → 将 $S$ 写入HBM → 从HBM读取 $S$ → 计算 $P=softmax(S)$ → 将 $P$ 写入HBM → 从HBM加载 $P / V$ 分块 → 计算 $O=PV$ → 将 $O$ 写入HBM

（3）核心问题：多次读写HBM，中间结果（S/P）占用大量显存，且HBM读写速度慢，导致注意力计算耗时/显存占用高。

5.3.2. 核心优化思路

Flash Attention的核心是利用GPU的SRAM（高速小显存）减少HBM读写，实现精确注意力（无性能损失，区别于近似注意力），包括两大核心思想：

（1）思想1：Tiling（分块）——最小化HBM读写

操作：将 $Q / K / V$ 按固定大小分块，逐块加载到SRAM（高速显存），在SRAM内完成注意力计算，计算完成后仅将最终结果 $O$ 写入HBM，无需存储中间结果 $S / P$
本质：用SRAM的高速读写替代HBM的低速读写，减少数据交互耗时

（2）思想2：分块Softmax + 反向传播重计算

分块Softmax：无需计算完整的 $S=QK^T$ ，对SRAM内的分块 $S$ 单独计算softmax，通过归一化因子累加得到最终的 $P$ ，保证结果与传统注意力一致
反向传播重计算：不存储前向传播的中间结果（S/P/激活值），在反向传播时重新从HBM加载 $Q / K / V$ 分块，在SRAM内重计算中间结果，以少量FLOPs增加换取大量显存节省——More FLOPs, but less runtime!!（计算量略有增加，但运行时间大幅减少）

（3）优化效果：精确注意力前提下，性能提升显著：

指标	传统自注意力	Flash Attention	提升幅度
GFLOPs（计算量）	66.6	75.2	增加13%
HBM R/W（GB）	40.3	4.4	减少90%
Runtime（ms）	41.7	7.3	速度提升5.7倍

5.3.3. 具体数学推导

FlashAttention的核心是分块softmax累加的等价性证明和数值稳定化处理，证明分块计算与全局计算结果完全一致（精确注意力）。

（1）步骤1：softmax的数值稳定化变换

传统softmax（行内公式示例）： $softmax(a)_i = \frac{\exp(a_i)}{\sum_{j=1}^N \exp(a_j)}$ ，存在数值溢出/下溢问题。
引入全局最大值 $m = \max_{j=1}^N a_j$ ，恒等变换后得到数值稳定化公式（显示型公式，带编号）： $softmax(a)_i = \frac{\exp(a_i - m)}{\sum_{j=1}^N \exp(a_j - m)} \tag{1}$
推导说明： $a_j - m \leq 0$ ， $\exp(a_j - m) \in (0, 1]$ ，避免溢出；分母 $\sum_{j=1}^N \exp(a_j - m) \geq 1$ ，避免分母趋近于0；变换后结果与原公式完全一致。

（2）步骤2：softmax分块累加的等价性推导

将键值矩阵按列分块为 $K = [K_1, K_2, ..., K_T]$ 、 $V = [V_1, V_2, ..., V_T]$ ，单查询行 $q_i$ 的相似度向量分块为 $a_i = [a_{i1}, a_{i2}, ..., a_{iT}]$ 。
定义局部变量：对每个分块 $a_{it}$ ，定义局部最大值： $m_t = \max(a_{it})$ ；局部归一化和： $s_t = \sum_{j \in \text{block } t} \exp(a_{ij} - m_t)$
全局变量计算：全局最大值： $m = \max_{t=1}^T m_t$ ；全局归一化和： $s = \sum_{t=1}^T s_t \cdot \exp(m_t - m)$
等价性证明：
- 全局softmax值： $softmax(a_i)_j = \frac{\exp(a_{ij} - m)}{\sum_{t=1}^T \sum_{j' \in \text{block } t} \exp(a_{ij'} - m)} = \frac{\exp(a_{ij} - m_t) \cdot \exp(m_t - m)}{s} \tag{2}$
- 局部softmax值： $softmax(a_{it})_j = \frac{\exp(a_{ij} - m_t)}{s_t} \tag{3}$
- 联立得等价关系： $softmax(a_i)_j = softmax(a_{it})_j \cdot \frac{s_t \cdot \exp(m_t - m)}{s} \tag{4}$
核心结论：跟踪 $m_t$ 、 $s_t$ 即可实现分块softmax到全局softmax的等价转换，无精度损失。

（3）步骤3：分块注意力输出的推导

全局注意力输出（单查询行）： $o_i = softmax(a_i) V = \sum_{t=1}^T softmax(a_i)_{:,t} V_t \tag{5}$
代入公式(5)，定义局部输出 $o_{it} = softmax(a_{it}) V_t$ ，得： $o_i = \frac{1}{s} \sum_{t=1}^T o_{it} \cdot s_t \cdot \exp(m_t - m) \tag{6}$
推导说明：局部输出 $o_{it}$ 在SRAM内计算，仅需跟踪 $o_{it}$ 、 $m_t$ 、 $s_t$ ；最终通过全局变量累加得到与传统注意力一致的输出。

5.3.4. 分块计算流程

（1）分块方式

Q按行分块： $Q = [Q_1, Q_2, ..., Q_R]$ ，每行块 $Q_r \in \mathbb{R}^{B_r \times d_k}$ ；
K/V按列分块： $K = [K_1, ..., K_C]$ 、 $V = [V_1, ..., V_C]$ ，每列块 $K_c \in \mathbb{R}^{B_c \times d_k}$ ；
约束：单分块Q+K+局部变量总字节数 ≤ SRAM容量（如FP16下 $B_r=B_c=64$ 适配H100）。

（2）分块计算

初始化全局变量（HBM存储） 输出矩阵： $O \in \mathbb{R}^{N \times d_v}$ （初始0）；全局最大值： $m \in \mathbb{R}^N$ （初始 $-\infty$ ）；全局归一化和： $s \in \mathbb{R}^N$ （初始0）。
遍历K/V列块（加载到SRAM） 循环遍历每个K/V列块 $K_c$ 、 $V_c$ ，将其从HBM加载到SRAM（仅加载1个列块）；同时，为每个列块初始化局部最大值 $m_c$ 和局部归一化和 $s_c$ （临时变量，仅存储在SRAM，不写回HBM）
遍历Q行块（SRAM内计算+累加）
- 加载 $Q$ 行块 $Q_r$ 从HBM到SRAM，与已加载的 $K_c$ 计算局部注意力得分矩阵 $S_{rc} = Q_r K_c^T / \sqrt{d_k}$ （无需存储，直接用于后续计算）；
- 对 $S_{rc}$ 按行计算局部最大值 $m_{rc}$ （每行的最大值，对应分块内的 $m_t$ ）和局部归一化和 $s_{rc} = \sum_{j \in c} \exp(S_{rc}(i,j) - m_{rc}(i))$ （ $i$ 为Q行块内的索引）；
- 计算局部注意力权重： $A_{rc} = \exp(S_{rc} - m_{rc}) / s_{rc}$ ；
- 计算局部注意力输出： $O_{rc} = A_{rc} V_c$ ；
- 更新全局变量（仅写回HBM对应行）：
  - 更新全局最大值 $m(r,:) = \max(m(r,:), m_{rc})$
  - 更新全局归一化和 $s(r,:) = s(r,:) \cdot \exp(m(r,:)_{\text{old}} - m(r,:)_{\text{new}}) + s_{rc} \cdot \exp(m_{rc} - m(r,:)_{\text{new}})$
  - 更新全局输出 $O(r,:) = O(r,:) \cdot \exp(m(r,:)_{\text{old}} - m(r,:)_{\text{new}}) + O_{rc} \cdot \exp(m_{rc} - m(r,:)_{\text{new}})$
- 释放当前Q行块 $Q_r$ 的SRAM空间，加载下一个Q行块，重复上述步骤，直至所有Q行块与当前K/V列块计算完成；
全局归一化：所有K/V列块和Q行块遍历完成后，对全局输出 $O$ 进行全局归一化（结合全局归一化和 $s$ ），得到最终注意力输出： $O = O/s$
反向传播重计算：前向传播仅存储 $Q$ 、 $K$ 、 $V$ 、 $O$ 、 $m$ 、 $s$ （ $O(Nd)$ 内存）；反向传播时重新加载分块到SRAM，重计算中间结果后求梯度；代价：增加~~13% FLOPs；收益：显存节省~~50%，整体速度提升。

5.4. 内存/速度优化：混合精度训练

（1）浮点精度的二进制构成

符号位（Sign）：控制正负（1位，0=正，1=负）
指数位（Exponent/Range）：控制数值的量级（范围）
尾数位（Mantissa/Significand/Fraction）：控制数值的精细度（小数点后部分）
尾数位越少，精度越低、显存占用越小、计算速度越快（尾数位决定数值的精细度）：

精度类型	符号位（Sign）	指数位（Exponent）	尾数位（Mantissa）	总位数
FP16	1	5	10	16
FP32	1	8	23	32
FP64	1	11	52	64
BFLOAT16	1	8	7	16

MPT

图4 混合精度训练

（2）混合精度训练目标：Speed up training and decrease memory requirements（提升训练速度，降低显存需求）；核心原则是低精度计算，高精度保存（利用低精度的速度优势，同时用高精度避免训练过程中的精度损失）

（3）混合精度训练流程：

前向传播：模型激活值用低精度（FP16/BFLOAT16）计算，减少显存占用
反向传播：梯度计算/更新用低精度（FP16/BFLOAT16）计算，提升运算速度
参数更新：模型权重 $\theta_t$ 用**高精度（FP32）**保存并更新，避免梯度累积的精度损失导致模型收敛失败

6. 有监督微调（Supervised Finetuning,SFT）

6.1. SFT简介

（1）定义：Supervised FineTuning（SFT、有监督微调），基于人工标注的输入-输出配对数据微调预训练模型

（2）核心思路：收集SFT数据（输入=任务指令，输出=期望结果）；以下一词预测为目标，微调模型权重；改变模型行为，使其适配具体任务

（3）本质：仍为自回归训练，与预训练的唯一区别是数据为任务专属的标注数据，而非通用无标注数据

6.2. 特殊场景：指令调优（Instruction tuning）

（1）核心目标：Graduate the model to being a helpful assistant（让模型成为遵循自然语言指令的有用助手）

（2）任务类型：故事写作、诗歌创作、清单生成、问题解释等通用自然语言任务

（3）数据特点：以人工编写+合成数据作为数据来源；主要内容涵盖助手对话、合成指令、数学推理、代码、安全对齐；不同模型的SFT规模（样本量）如下：

模型	SFT样本量（# examples）
GPT-3	13 thousands（1.3万）
LLaMA 3	10 million（1000万）

6.3. 微调效果对比

以问题Can I put my teddy bear in the washer?（泰迪熊能机洗吗？）为例：

预训练模型：仅陈述事实 → Teddy bears are often made of materials like polyester and cotton, with plastic eyes and sometimes small accessories.（仅介绍泰迪熊的材质，未回答问题）
预训练+指令调优模型：直接响应指令 → No, it might get damaged. Try hand washing instead.（明确回答不能，并给出建议，符合人类需求）

6.4. 核心挑战

（1）需要极高质量的输入-输出配对数据，标注成本高（2）对提示词（Prompt）的分布高度敏感，未见过的提示词格式会导致性能下降（3）泛化能力有限，难以适配训练数据中未覆盖的任务（4）缺乏统一、客观的评估标准，难以量化模型的“指令遵循能力” （5）全量微调仍需大量计算/显存资源，中小GPU无法支撑

6.5. 模型评估

（1）标准化基准（Benchmarks，量化指标）

四个维度：通用知识：MMLU（多任务语言理解）；基础推理：ARC-Challenge（人工智能推理挑战）；数学推理：GSM8K（小学数学应用题）；代码生成：HumanEval（代码生成任务）
核心建议：Recommended to train on the test task to compare across models（为跨模型对比，建议在测试任务上做少量训练）

（2）“Real-life” feeling评估（如Chatbot Arena，主观体验）

核心思路：通过用户对不同模型的A/B盲测，为模型的“使用体验”打分，将主观感受量化
优势：Puts a number on “vibes”（将难以量化的“使用感受”转化为具体分数）
挑战：模型曝光不均/冷启动问题；易作弊（模型可通过特定策略提升用户评分）；用户无法准确评估事实性；个人偏好偏见；安全惩罚导致分数失真

7.参数高效微调（Parameter-efficient finetuning）

全量SFT需要微调模型所有参数，计算/显存资源需求极高，参数高效微调仅微调少量参数（<1%），即可达到与全量SFT相近的性能，是中小GPU微调大模型的主流方案，如 $LoRA$ 和 $QLoRA$ 为本次课的工程核心。

7.1. $LoRA$ （ $Lo$ w- $R$ ank $A$ daptation）

LoRA

图5 LoRA微调原理

（1）核心背景：全量SFT资源密集，中小GPU无法支撑，LoRA通过低秩矩阵近似减少需要微调的参数数量，实现高效微调。

（2）核心原理

原始权重矩阵：预训练模型的权重矩阵 ${W_0} \in \mathbb{R}^{d \times k}$ （ $d$ 为输入维度， $k$ 为输出维度，通常为大矩阵）
LoRA分解公式： ${W = W_0 + B·A}$

其中：

$W_0$ ：预训练权重矩阵，冻结不更新（占模型参数的99%以上）

$A \in \mathbb{R}^{d \times r}$ ：低秩投影矩阵，随机初始化，需微调

$B \in \mathbb{R}^{r \times k}$ ：低秩还原矩阵，初始化为0，需微调

$r$ ：低秩维度（超参数，通常取4/8/16，远小于 $d/k$ ），决定LoRA的参数量

结论： $LoRA$ 的参数量为 $r×(d+k)$ ，远小于原始矩阵 $d×k$ ，实现以少量参数微调达到全量SFT性能。

（3）核心优势

参数量极少：仅微调低秩矩阵A和B，显存/计算需求大幅降低
任务切换灵活：更换A/B矩阵即可适配不同任务（如垃圾邮件检测→情感提取→翻译），无需重新训练，实现“一个模型适配多任务”
训练速度快：微调参数量少，训练周期大幅缩短
性能无损：在合理的低秩维度 $r$ 下，性能与全量SFT基本一致

（4）适用位置：原始方案仅应用于Masked Multi-Head Attention（掩码多头注意力）模块；而当前最优实践是应用于：Forward Feed（前馈网络）

（5）训练动力学：LoRA与全量微调的训练规律存在显著差异，为实验验证的经验结论：LoRA需要更高的学习率（比全量微调高10~100倍）；LoRA在大批次大小下性能表现较差（适合小批次训练）

7.2. $QLoRA$ （ $Q$ uantized $LoRA$ ，量化低秩适配）

QLoRA

图6 QLoRA微调原理

（1）核心背景：LoRA仍需以高精度（FP32/FP16）存储冻结的权重矩阵 $W_0$ ，显存占用仍较高；QLoRA通过量化冻结权重进一步释放显存瓶颈，实现中小GPU微调千亿参数大模型。

（2）核心原理：在LoRA的基础上，增加权重量化。

冻结权重矩阵 ${W_0}$ ：量化为4位低精度（ $NF4$ ）存储，大幅节省显存
低秩矩阵 ${B·A}$ ：以高精度（ $FP16/FP32$ ）存储并微调，保证训练精度
计算过程：所有前向/反向传播计算均在高精度（ $FP16$ ）下完成，避免量化导致的精度损失
核心公式：仍为 ${W = W_0 + BA}$ ，仅 $W_0$ 的存储精度发生变化，计算逻辑不变

（3）量化技巧

4位NormalFloat（NF4）量化
- 背景：LLM的权重服从正态分布，传统的均匀量化（INT8）会导致严重的精度损失
- 核心：NF4基于正态分布的分位数进行量化，更适配LLM权重的分布，量化后精度损失极小
- 对比：INT8（均匀量化）→ 精度损失大；NF4（正态量化）→ 精度损失小，性能基本无损
Double quantization（双重量化）
- 核心：对量化的常数（如量化缩放因子、偏移量）再进行一次量化（FP8），而非以FP32存储
- 效果：额外节省~6%的显存，是无性能损失的显存优化手段

（4）核心优势

极致显存节省：对LLaMA 65B模型，微调时VRAM节省约16倍
硬件门槛低：让消费级GPU（如24GB/32GB显存）也能微调千亿参数大模型
性能无损：低精度存储+高精度计算，模型性能与LoRA/全量SFT基本一致
训练速度快：显存占用降低，数据读写效率提升，训练速度快于LoRA

7.3. LLM的全生命周期

Alignment

图7 LLM完整生命周期与对齐原则

模型初始化 → 预训练 → 有监督微调（SFT/指令调优） → 偏好调优

预训练：学习语言/代码的通用规律，形成基础通用知识
SFT/指令调优：适配具体任务，实现指令遵循能力
偏好调优：减少模型的不良行为，让模型行为贴合人类偏好/安全准则
全生命周期核心目标：Model Alignment（模型对齐）——让模型的能力、行为、价值观与人类需求一致

Note
总结

LLM的核心训练范式为预训练+微调，预训练目标是下一词预测（ ${P(W_{+1}=w|C)}$ ），数据为万亿级令牌，缩放规律/Chinchilla定律是模型设计的理论依据；

LLM训练的核心流程为初始化 → 前向传播 → 反向传播 → Adam优化器参数更新，Adam核心公式为 ${\theta_{t+1} \leftarrow \theta_{t}-\alpha \frac{m_{t}}{\sqrt{v_{t}}+\epsilon}}$ ；

LLM训练的最大瓶颈为GPU显存有限，核心优化手段为：ZeRO并行（消除冗余）、Flash Attention（采用分块方法优化注意力计算）、混合精度训练（低精度计算，高精度保存）；

有监督微调（SFT）是模型从“通用”到“专用”的关键，指令调优是其核心场景，模型评估是行业难题；

参数高效微调的主流方案为 $LoRA$ （ ${W = W_0 + BA}$ ）和 $QLoRA$ ，通过低秩矩阵+权重量化，实现以少量参数微调达到全量SFT性能，大幅降低硬件门槛；

LLM的全生命周期围绕模型对齐（Alignment）展开，最终目标是让模型具备通用能力的同时，安全、贴合人类需求。

Clear Eyes, Full Heart