今天小编分享的科学经验：一句话让AI训练AI！20分钟微调羊驼大模型，从数据收集到训练全包了，欢迎阅读。
只需一句话，描述你想要大模型去做什么。
就有一系列 AI 自己当 " 模型训练师 "，帮你完成从生成数据集到微调的所有工作。
比如让 70 亿参数羊驼大模型学会优化 GPT-4 提示词，整个过程只要 20 分钟。
秘诀就是网友分享的一个可以帮咱自动训练模型的 AI 工具：
它能帮你搞定数据收集、写代码等一系列操作，你要做的就是用人话描述你要什么，然后坐等即可。
可能是全世界最简单的大模型微调方法了（手动狗头）。
并且成本也不高，羊驼这个例子花费就不超 15 美元（合 100 来块人民币）。
好消息，小哥已将它直接开源（GitHub1k 标星），你也可以试试。
AI 模型训练师操作指南
如上图所示，此工具名叫gpt-llm-trainer。
如果你也想用它来自动微调某个大模型，首先需要准备：
1、Google Colab 或者本地 Jupyter notebook；
2、如果选前者，请切换到可用的最佳 GPU（执行 "Runtime -> change runtime type"）；
3、以及一个 OpenAI API key（主要还是用的 GPT-4 能力）。
然后就可以进入具体操作了：
1、先写你的提示词，也就是你希望这个微调后的模型需要具备什么功能。
可以肯定的是，描述得越清晰越好。
比如开头的羊驼例子，作者就给了这么一大段（红字部分）：
官方也给了一个简单的示例：
A model that takes in a puzzle-like reasoning-heavy question in English, and responds with a well-reasoned, step-by-step thought out response in Spanish.
2、设定两个值：
（1）temperature，生成数据集的 " 温度 "（取值 0-1），值越高代表创意性越强，越低代表越精确；
（2）number_of_examples，要生成的示例数量，推荐从 100 开始。
3、无腦 " 下一步 "，运行所有 cell，完成 " 生成数据集 "、" 自动分为训练集和验证集 "、" 安装各种必备库 "、" 定义超参数 "、" 加载数据集并训练 " 这一系列自动步骤。
之后，你就能得到一个微调好的新模型了。
需要注意的是，这个过程可能在10 分钟到几个小时不等，取决于你設定的示例生成数量。
4、最后执行 "Run Inference" 测试效果，完毕。
相当简单有没有。
值得一提的是，作者已经盘点出了一些待改进的地方，比如：
改进示例生成 pipeline，让生成效率更高，成本更低；
添加示例修剪功能，删除相似的样本从而提高性能；
根据示例和数据集的详细信息（比如示例数量），利用 GPT-4 自动选择超参数，甚至是要微调的模型；
训练多个变体，推出评估损失（eval loss）最少的那个；
……
大家也可以浅浅期待一波。
如此神器，出自谁手？
我们简单挖了一下，发现作者的来头还不小。
他叫 Matt Shumer，推特粉丝 1.7 万。
Matt 自己开了家公司，产品名叫 HyperWriteAI。
这是一个厉害的浏览器操作 agent，可以像人一样操作谷歌浏览器来完成一系列任务，比如订披萨。
和 gpt-llm-trainer 一样，你只需要用文字描述目标，它就会一边列步骤，一边执行。
号称 " 比 AutoGPT 强 " ——
目前，HyperWriteAI 已经可以在谷歌扩展程式中安装了，显示用户已达 10w+。
最后，我们翻看这位大佬的推特，发现他当天最新的一条推文是：
几周之后，大语言模型的前景就可能要变天了。
可能又在酝酿什么大动作？（手动狗头）
更新：大佬又发了一个类似的自动工具，名叫gpt-oracle-trainer。
只需上传一个产品文档，就能自动训练出一个可以回答有关该产品问题的聊天机器人。
友情链接：
[ 1 ] https://github.com/mshumer/gpt-llm-trainer
[ 2 ] https://github.com/mshumer/gpt-oracle-trainer
