训练VLM(视觉语言模型)的经验

知乎：lym
链接：https://zhuanlan.zhihu.com/p/890327005

如果可以用prompt解决，尽量用prompt解决，因为训练（精调）的模型往往通用能力会下降，训练和长期部署成本都比较高，这个成本也包括时间成本。

基于prompt确实不行（情况包括格式输出不稳定、格式输出基本不对、任务不完全会、任务完全不会等情况，难度逐渐加大），选择上SFT微调。

业务场景基本用不到强化学习，强化解决的是最后一公里的问题，可以理解为有两种非常接近的输出（这两种输出都非常接近目标输出，此时已经解决了90%的问题），强化学习会对相同的输入，打压其中一种不希望的输出，同时增强另一种更接近目标的希望的输出（从DPO loss就可以看出）。强化是用来应对细微输出差异的，并且业务场景优先用DPO，DPO只需要pair对数据，更好构造。PPO的reward model几乎没有开源的，需要的数据更多，超参也更多，除非是逻辑或代码场景，在文本场景中，DPO效果是足够的。

业务数据质量最重要，数据量也不能少，越难的任务数据量越多

数据内容：要尽量和期望输出一致，这个一致既包括内容，也包括格式。不要期望垃圾数据能训练出好的VLM模型，不要寄希望于dalle3那种recaptioning，依靠泛化能力变换格式的玩法太高级了，我还把我不住。可以用 手工标注数据+GPT改写(甚至可以是Vision版本) 生成质量尽可能高的业务数据。改写用的GPT原本没有解决对应任务的能力也不要怕，在改写的prompt模板让它参考人工标注就行。

数据量：如果模型会该类任务，但仅是输出格式不稳定（比如json少个括号，文本输出少个\n什么的），几十到上百条业务数据就够了，不用考虑通用数据；一般普通业务需要千条业务数据（类似数据在VLM模型预训练的训练集出现过，但模型对于该任务处于会与不会区间），需要少量通用数据（10:1，1份通用）。如果特别难的task，VLM模型根本没见过（比如文生图生成数据，输出的文本也和输入图之间的关系需要重学），那需要1-2w条业务数据，通用数据5:1。

训练轮次：我训练的task就特别难，4B左右的模型甚至训练10个epoch测试集的loss还在下降。但是一般7B模型训5个epoch，70B模型训练2个epoch，就会开始过拟合了。下面是比较正常的收敛曲线。

当然还有些肯定不正确的曲线：

数据难度：可以用PPL衡量，也可以看训练集上测试的效果。

多个类型数据：先各自训练看效果，确保各自没有问题，再去混合。

训练流程

收集清洗改写增强广业务数据，同一个问题可以除了文本对话，还可以改写成选择判断，有帮助，而且这些形式更容易做评测，方便确认效果。
磨刀不误砍柴工：找一个小的VLM模型（2B~7B），按照默认微调参数对纯业务数据集上进行训练，设置较高的lr（1e-5）和较长的epoch（10轮）。训练好的模型在训练集上先测试（对，用什么训练用什么测！）。在训练集上进行测试是非常重要的，它可以一定程度排除数据集质量的问题，也不用担心过拟合的问题，同时也能确保框架底层没什么问题。别管数据质量多垃圾，别管在测试集泛化性有多差，在训练集上都应该有较好的学习效果。如果你的业务数据有多种形式，也可以在这个阶段进行配比的消融。
确保在训练集上没问题，再结合validation集上的曲线，应该可以大致确认：训练轮次（epoch）、业务数据配比、学习率、batch_size、文本长度、moe专家数量、并行配置（tp pp dp）等绝大部分超参。

PS：在VLM训练中，无论是预训练、对齐还是精调，用的都是SFT loss，没有Pretrain loss。学界可能比较喜欢用lora，但工业届全量调的更多，这俩区别不是很大，lora dim设置成128/256，scaling设置成64（dim的05倍），也能学很多东西。

如果只是输出格式不满意、不稳定，那么调LLM就够。如果全新的知识，那么vit和LLM以及二者间的中间层都放开比较好。参数量的大头在LLM中，但如果图片业务数据和预训练数据差异较大，vit放开也很重要。（上vit冻住，下vit放开，vit解冻后明显收敛更稳定）。我的任务比较难，肯定就是全放开训练了。

往里面加入通用数据，来维护原有通用能力（在业务垂域没搞明白前，一般先别考虑通用数据，否则变量太多，把握不住）。配比从10:1开始，不行可以试试5:1。通用数据包括两种，一种是caption，一种是instruct数据。caption数据的question基本都是”详细描述图中有什么？“，它在VLM预训练中是用来做一阶段的。Instruct数据的question就比较多样了，比如”图中叉子右边的茶杯是什么颜色的？“它一般对应预训练的二阶段微调。VLM这两个阶段虽然一阶段叫训练，二阶段叫对齐，但是loss形式是一样的，超参可能也只有学习率的差异，越往后学习率越小。全用instruct数据问题也不大，但instruct数据可能信息量可能不如caption对图片描述那么丰富，也更难收集一些。

caption的数据我翻译了些sharegpt4o的，整理好了：

https://huggingface.co/datasets/LYM2024/share_gpt4o_zh?row=0

instruct数据用的ALLAVA-4V的，量太大了翻译的还没整理好。

https://huggingface.co/datasets/FreedomIntelligence/ALLaVA-4V

这俩我是1:1用的，没做严格消融。英文数据去llamafactory找就行，中文大部分得自己动手翻译。通用数据也可以大量用英文，融合一点自己翻译的中文，效果也不会太差的。

然后我发现个特别有意思的现象，我的业务数据是diffusion生成的图片，上面这些数据是自然图片，业务数据的通用能力几乎没有被维护。解决方案：

用现有VLM对业务数据作captioning，因为caption的question与图无关，直接取sharegpt40的就行。直接生成大量业务图片的通用数据。
用LCM的SSD或SDXL模型做Img2Img，把正prompt置空，guidance_scale置0（最好negative输出的embedding取torch.zeros），strength强度设置0.025。用无引导生成生成有diffusion特征的图片。
训练可以分多个阶段，前面用质量差一点的大量数据，后面用质量高的小批量数据，提升最终效果。两阶段question的词汇可以作下隔离，即这两批数据的question最好有点小差异，后续推理测试只用高质量数据的question。实测高质量数据的需求大会大大降低。
我个人觉得，精调这种任务，如果数据量大，在7B小模型和72B大模型上，在业务（垂域）上效果差异并不大，因为我们一般更关心业务和垂域的性能，而非要成为全面的通才。
数据质量高可以训练久一些，数据质量差训练短一些，可以保留更好的泛化性。我们的数据比较短，训练10epoch的话，输出就非常短，往往不带主语。训练6epoch就会带一些，所以不是validation loss下降就是好事，它可能同时对应着通用loss的上升，稍微遇到些长尾问题，性能就会崩溃式下降。训练太短也不行，容易学不会，至少要保证训练5epoch，看看整体的结果。