一. 简介

LLM学习资源库。使用pytorch和部分Tensorflow2实现，可以 本地运行和调试 的大模型LLM相关的应用

核心功能： PPO、GRPO、Deepseek-V3、MLA、Mixtral-8x7B、MOE、Qwen-TensorRT等

再次强调：强调本地调试、代码跳转、快速掌握LLM！basic_llm*和basic_run*分别是调试和运行模式

配套课程《AIGC大模型理论与工业落地实战》，relation

最新更新：

• 20250516：🐯feat:(learnings/tiny-grpo/*):添加GRPO使用Qwen2.5-0.5B和gsm8k_chinese数据集训练和部署完整流程
• 20250516：🐯feat:(learnings/qwen25-vl_sft)添加Qwen2.5-VL-Instruct模型训练、推理、部署服务和请求服务
• 20250514：🐯feat:(learnings/unsloth_models)添加《基于unsloth训练与部署实践DeepSeek-R1 法律推理模型》包括训练、推理、部署服务和请求服务）
• 20250225：🐯feat:(learnings/DeepSeek-V3)添加deepseek-V3官方推理代码（可使用learnings/DeepSeek-V3-codes/inference/model.py脚本在本地GPU(大于40G显存)直接调试！）
• 20250224：🐯feat(quickllm/base_rope.py):新增ROPE简易调试代码
• 20250220：🐯feat(learnings/MLA/*):新增deepseek-MLA注意力机制调试代码
• 20250220：🐯feat(learnings/tiny_grpo/*):新增deepseek-grpo调试代码
• 20231225：🐯feat(basic_llm_moe_transformers.py):新增transformers包的Mixtral-8x7B/MOE源代码调试

二、GRPO相关工作

代码：learnings/tiny-grpo/*

奖励和loss曲线：

2.1 核心训练流程

2.1.1 Rollout阶段

def rollout(model, tokenizer, task, oracle_answer, num_rollouts=12):
    # 1. 构建提示词
    chat_prompt = tokenizer.apply_chat_template(chat_messages, ...)
    
    # 2. 生成多个候选答案
    sequence_ids = model.generate(
        input_ids=model_inputs["input_ids"],
        generation_config=generation_config
    )
    
    # 3. 计算相对奖励
    for i, completion in enumerate(completions):
        answer_match = re.search(r"<answer>(.*?)</answer>", completion)
        if answer_match:
            answer = answer_match.group(1)
            if answer == oracle_answer:
                reward = 1.0      # 完全正确
            elif oracle_answer in answer:
                reward = 0.5      # 部分正确
            else:
                reward = 0.01     # 错误

2.1.2 优势计算

# 对组内奖励进行标准化
advantages = group_advantages(returns)
# advantages = (returns - returns.mean()) / (returns.std() + eps)

2.1.3 损失计算

class GRPOLoss(nn.Module):
    def forward(self, log_probs, experience):
        # PPO裁剪损失
        ratio = (log_probs - old_log_probs).exp()
        surr1 = ratio * advantages
        surr2 = ratio.clamp(1 - clip_eps, 1 + clip_eps) * advantages
        ppo_loss = -torch.min(surr1, surr2)
        
        # KL散度约束
        kl = approx_kl_divergence(log_probs, log_probs_ref, action_mask)
        
        # 总损失
        total_loss = ppo_loss + kl_weight * kl
        return total_loss, kl.mean()

三. 预训练权重

• 若无说明则使用huggingface官网中对应模型的pytorch_model.bin和对应config.json

四.鸣谢

• 感谢Tongjilibo的bert4torch，本实现重点参考了这个项目，进行了优化和更新；项目会持续跟进bert4torch的最新实现

• 感谢苏神实现的bert4keras，有些地方参考了bert4keras的源码，在此衷心感谢大佬的无私奉献；大佬的科学空间

  @misc{bert4torch,
    title={bert4torch},
    author={Bo Li},
    year={2022},
    howpublished={\url{https://github.com/Tongjilibo/bert4torch}},
  }
  

五. 引用

@misc{quickllm,
  title={quickllm},
  author={NLP小讲堂},
  year={2022},
  howpublished={\url{https://github.com/zysNLP/quickllm}},
}

六. 其他

关注公众号《NLP小讲堂》，更多高效内容及时订阅，最新文章和视频同步，B站关注：

《Mixtral-8x7B-Instruct-v0.1的finetune微调实战》：参考借鉴Aurora，Firefly

《浅谈MOE的代码原理（一），是否足够对标self-attention？》参考借鉴：Mistral Transformers，Mixture of Expert

《Triton复杂又简单：把部署切成厚厚的薄片。。》参考借鉴：NGC Triton镜像，Triton Inference Server GitHub官网

《TensorRT-LLM：大模型推理加速必备》参考借鉴：Qwen-TensorRT原理，Qwen-TensorRT代码

《LORA论文解读：大模型的低秩适应》参考借鉴：LORA论文，LORA论文解读