🏆Preference Optimization Training - DPO, ORPO & KTO

Lerne über Präferenzausrichtungs-Finetuning mit DPO, GRPO, ORPO oder KTO via Unsloth, folge den untenstehenden Schritten:

DPO (Direct Preference Optimization), ORPO (Odds Ratio Preference Optimization), PPO, KTO-Belohnungsmodellierung funktionieren alle mit Unsloth.

Wir haben Google Colab-Notebooks zum Reproduzieren von GRPO, ORPO, DPO Zephyr, KTO und SimPO:

• GRPO-Notebooks

• ORPO-Notebook

• DPO Zephyr-Notebook

• KTO-Notebook

• SimPO-Notebook

Wir sind auch in den offiziellen Docs von 🤗Hugging Face! Wir sind in den SFT-Dokumentationen und den DPO-Dokumentationen.

DPO-Code

python
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0" # Optional: GPU-Geräte-ID setzen

from unsloth import FastLanguageModel, PatchDPOTrainer
from unsloth import is_bfloat16_supported
PatchDPOTrainer()
import torch
from transformers import TrainingArguments
from trl import DPOTrainer

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "unsloth/zephyr-sft-bnb-4bit",
    max_seq_length = max_seq_length,
    dtype = None,
    load_in_4bit = True,
)

# Modellpatching durchführen und schnelle LoRA-Gewichte hinzufügen
model = FastLanguageModel.get_peft_model(
    model,
    r = 64,
    target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
                      "gate_proj", "up_proj", "down_proj",],
    lora_alpha = 64,
    lora_dropout = 0, # Unterstützt beliebige Werte, aber = 0 ist optimiert
    bias = "none",    # Unterstützt beliebige Werte, aber = "none" ist optimiert
    # [NEU] „unsloth“ verwendet 30 % weniger VRAM, passt 2x größere Batch-Größen!
    use_gradient_checkpointing = "unsloth", # True oder "unsloth" für sehr langen Kontext
    random_state = 3407,
    max_seq_length = max_seq_length,
)

dpo_trainer = DPOTrainer(
    model = model,
    ref_model = None,
    args = TrainingArguments(
        per_device_train_batch_size = 4,
        gradient_accumulation_steps = 8,
        warmup_ratio = 0.1,
        num_train_epochs = 3,
        fp16 = not is_bfloat16_supported(),
        bf16 = is_bfloat16_supported(),
        logging_steps = 1,
        optim = "adamw_8bit",
        seed = 42,
        output_dir = "outputs",
    ),
    beta = 0.1,
    train_dataset = YOUR_DATASET_HERE,
    # eval_dataset = YOUR_DATASET_HERE,
    tokenizer = tokenizer,
    max_length = 1024,
    max_prompt_length = 512,
)
dpo_trainer.train()