实践练习：使用 Unsloth 的 GRPO

在本练习中，你将使用 Unsloth 通过 GRPO（Group Relative Policy Optimization，组相对策略优化）微调模型，以提高模型的推理能力。我们在第 3 章中介绍了 GRPO。

Unsloth 是一个加速 LLM 微调的库，使模型训练更快，计算资源更少成为可能。Unsloth 插件式地接入 TRL，因此我们将基于之前章节所学的知识，并针对 Unsloth 的特性进行调整。

本练习可以在免费的 Google Colab T4 GPU 上运行。为了获得最佳体验，请跟随上面链接的 notebook 并亲自尝试。

安装依赖

首先，让我们安装必要的库。我们将需要 Unsloth 用于加速微调，以及 vLLM 用于快速推理。

pip install unsloth vllm
pip install --upgrade pillow

设置 Unsloth

Unsloth 提供了一个类 (FastLanguageModel)，它将 transformers 与 Unsloth 优化集成在一起。让我们导入它

from unsloth import FastLanguageModel

现在，让我们加载 Google 的 Gemma 3 1B Instruct 模型并配置它以进行微调

from unsloth import FastLanguageModel
import torch

max_seq_length = 1024  # Can increase for longer reasoning traces
lora_rank = 32  # Larger rank = smarter, but slower

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="google/gemma-3-1b-it",
    max_seq_length=max_seq_length,
    load_in_4bit=True,  # False for LoRA 16bit
    fast_inference=True,  # Enable vLLM fast inference
    max_lora_rank=lora_rank,
    gpu_memory_utilization=0.6,  # Reduce if out of memory
)

model = FastLanguageModel.get_peft_model(
    model,
    r=lora_rank,  # Choose any number > 0 ! Suggested 8, 16, 32, 64, 128
    target_modules=[
        "q_proj",
        "k_proj",
        "v_proj",
        "o_proj",
        "gate_proj",
        "up_proj",
        "down_proj",
    ],  # Remove QKVO if out of memory
    lora_alpha=lora_rank,
    use_gradient_checkpointing="unsloth",  # Enable long context finetuning
    random_state=3407,
)

此代码以 4 位量化加载模型以节省内存，并应用 LoRA（Low-Rank Adaptation，低秩适配）以实现高效微调。“target_modules”参数指定要微调的模型层，而 “use_gradient_checkpointing” 启用使用更长上下文的训练。

我们将在本章中不介绍 LoRA 的细节，但您可以在第 11 章中了解更多信息。

数据准备

在本练习中，我们将使用 GSM8K 数据集，其中包含小学数学题。我们将格式化数据以鼓励模型在提供答案之前展示其推理过程。

首先，我们将定义提示和答案的格式

# Define the system prompt that instructs the model to use a specific format
SYSTEM_PROMPT = """
Respond in the following format:
<reasoning>
...
</reasoning>
<answer>
...
</answer>
"""

XML_COT_FORMAT = """\
<reasoning>
{reasoning}
</reasoning>
<answer>
{answer}
</answer>
"""

现在，让我们准备数据集

import re
from datasets import load_dataset, Dataset


# Helper functions to extract answers from different formats
def extract_xml_answer(text: str) -> str:
    answer = text.split("<answer>")[-1]
    answer = answer.split("</answer>")[0]
    return answer.strip()


def extract_hash_answer(text: str) -> str | None:
    if "####" not in text:
        return None
    return text.split("####")[1].strip()


# Function to prepare the GSM8K dataset
def get_gsm8k_questions(split="train") -> Dataset:
    data = load_dataset("openai/gsm8k", "main")[split]
    data = data.map(
        lambda x: {
            "prompt": [
                {"role": "system", "content": SYSTEM_PROMPT},
                {"role": "user", "content": x["question"]},
            ],
            "answer": extract_hash_answer(x["answer"]),
        }
    )
    return data


dataset = get_gsm8k_questions()

通过从数据集中提取答案并将其格式化为字符串来准备数据集。

定义奖励函数

正如我们在之前的页面中讨论的那样，GRPO 可以使用奖励函数来根据可验证的标准（如长度和格式）指导模型的学习。

在本练习中，我们将定义几个奖励函数，以鼓励良好推理的不同方面。例如，我们将奖励模型提供整数答案，并遵循严格的格式。

# Reward function that checks if the answer is correct
def correctness_reward_func(prompts, completions, answer, **kwargs) -> list[float]:
    responses = [completion[0]["content"] for completion in completions]
    q = prompts[0][-1]["content"]
    extracted_responses = [extract_xml_answer(r) for r in responses]
    print(
        "-" * 20,
        f"Question:\n{q}",
        f"\nAnswer:\n{answer[0]}",
        f"\nResponse:\n{responses[0]}",
        f"\nExtracted:\n{extracted_responses[0]}",
    )
    return [2.0 if r == a else 0.0 for r, a in zip(extracted_responses, answer)]


# Reward function that checks if the answer is an integer
def int_reward_func(completions, **kwargs) -> list[float]:
    responses = [completion[0]["content"] for completion in completions]
    extracted_responses = [extract_xml_answer(r) for r in responses]
    return [0.5 if r.isdigit() else 0.0 for r in extracted_responses]


# Reward function that checks if the completion follows the strict format
def strict_format_reward_func(completions, **kwargs) -> list[float]:
    pattern = r"^<reasoning>\n.*?\n</reasoning>\n<answer>\n.*?\n</answer>\n$"
    responses = [completion[0]["content"] for completion in completions]
    matches = [re.match(pattern, r) for r in responses]
    return [0.5 if match else 0.0 for match in matches]


# Reward function that checks if the completion follows a more relaxed format
def soft_format_reward_func(completions, **kwargs) -> list[float]:
    pattern = r"<reasoning>.*?</reasoning>\s*<answer>.*?</answer>"
    responses = [completion[0]["content"] for completion in completions]
    matches = [re.match(pattern, r) for r in responses]
    return [0.5 if match else 0.0 for match in matches]


# Reward function that counts XML tags and penalizes extra content
def count_xml(text) -> float:
    count = 0.0
    if text.count("<reasoning>\n") == 1:
        count += 0.125
    if text.count("\n</reasoning>\n") == 1:
        count += 0.125
    if text.count("\n<answer>\n") == 1:
        count += 0.125
        count -= len(text.split("\n</answer>\n")[-1]) * 0.001
    if text.count("\n</answer>") == 1:
        count += 0.125
        count -= (len(text.split("\n</answer>")[-1]) - 1) * 0.001
    return count


def xmlcount_reward_func(completions, **kwargs) -> list[float]:
    contents = [completion[0]["content"] for completion in completions]
    return [count_xml(c) for c in contents]

这些奖励函数服务于不同的目的

奖励函数	目的
`correctness_reward_func`	当模型的答案与正确答案匹配时奖励模型
`int_reward_func`	奖励模型提供数字答案
`strict_format_reward_func` 和 `soft_format_reward_func`	奖励模型遵循指定的格式
`xmlcount_reward_func`	奖励正确的 XML 标签用法，并惩罚在结束标签后的额外内容

使用 GRPO 进行训练

现在我们将使用我们的模型、分词器和奖励函数设置 GRPO 训练器。这部分与之前的练习采用相同的方法。

from trl import GRPOConfig, GRPOTrainer

max_prompt_length = 256

training_args = GRPOConfig(
    learning_rate=5e-6,
    adam_beta1=0.9,
    adam_beta2=0.99,
    weight_decay=0.1,
    warmup_ratio=0.1,
    lr_scheduler_type="cosine",
    optim="paged_adamw_8bit",
    logging_steps=1,
    per_device_train_batch_size=1,
    gradient_accumulation_steps=1,  # Increase to 4 for smoother training
    num_generations=6,  # Decrease if out of memory
    max_prompt_length=max_prompt_length,
    max_completion_length=max_seq_length - max_prompt_length,
    # num_train_epochs = 1, # Set to 1 for a full training run
    max_steps=250,
    save_steps=250,
    max_grad_norm=0.1,
    report_to="none",  # Can use Weights & Biases
    output_dir="outputs",
)

trainer = GRPOTrainer(
    model=model,
    processing_class=tokenizer,
    reward_funcs=[
        xmlcount_reward_func,
        soft_format_reward_func,
        strict_format_reward_func,
        int_reward_func,
        correctness_reward_func,
    ],
    args=training_args,
    train_dataset=dataset,
)

GRPOConfig 设置了各种训练的超参数

use_vllm：启用使用 vLLM 的快速推理
learning_rate：控制模型学习的速度
num_generations：为每个提示生成的完成数
max_steps：要执行的训练步骤总数

现在让我们开始训练

trainer.train()

训练可能需要一些时间。您可能不会立即看到奖励增加 - 可能需要 150-200 步才能开始看到改进。请耐心等待！

测试模型

训练后，让我们测试我们的模型，看看它的表现如何。首先，我们将保存 LoRA 权重

model.save_lora("grpo_saved_lora")

现在，让我们用一个新问题测试模型

from vllm import SamplingParams

text = tokenizer.apply_chat_template(
    [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": "Calculate pi."},
    ],
    tokenize=False,
    add_generation_prompt=True,
)

sampling_params = SamplingParams(
    temperature=0.8,
    top_p=0.95,
    max_tokens=1024,
)
output = (
    model.fast_generate(
        text,
        sampling_params=sampling_params,
        lora_request=model.load_lora("grpo_saved_lora"),
    )[0]
    .outputs[0]
    .text
)

print(output)

您应该看到模型现在遵循指定的格式，在提供答案之前展示其推理过程。

保存模型

Unsloth 提供了几个用于保存微调模型的选项，但我们将重点关注最常用的选项。

# Save to 16-bit precision
model.save_pretrained_merged("model", tokenizer, save_method="merged_16bit")

推送到 Hugging Face Hub

我们将使用 push_to_hub_merged 方法将模型推送到 Hugging Face Hub。此方法允许我们以多种量化格式推送模型。

# Push to Hugging Face Hub (requires a token)
model.push_to_hub_merged(
    "your-username/model-name", tokenizer, save_method="merged_16bit", token="your-token"
)

Unsloth 还支持保存为 GGUF 格式，以便与 llama.cpp 一起使用

model.push_to_hub_gguf(
    "your-username/model-name",
    tokenizer,
    quantization_method=["q4_k_m", "q8_0", "q5_k_m"],
    token="your-token",
)

GGUF 文件可以与 llama.cpp 或基于 UI 的系统（如 Jan 或 Open WebUI）一起使用。

结论

在本练习中，您学习了如何

设置 Unsloth 以进行加速微调
准备用于 GRPO 训练的数据
定义自定义奖励函数以指导模型的学习
使用 GRPO 训练模型
测试微调后的模型
以各种格式保存模型

GRPO 是一种强大的技术，用于使语言模型与特定行为对齐，而 Unsloth 使其即使在有限的硬件上也能访问。通过结合多个奖励函数，您可以引导模型遵循特定格式，同时提高其推理能力。

有关更多信息和资源，请查看

< > 在 GitHub 上更新

LLM 课程