ORPO-дообучение LLM: SFT и Preference Optimization без reference модели

Дообучение LLM методом ORPO

Представьте: вам нужно дообучить языковую модель под конкретные предпочтения — например, чтобы она строго следовала стилю кода в компании. Классический подход DPO требует двух моделей в памяти, а SFT не умеет штрафовать за плохие ответы. Мы часто сталкиваемся с этим на практике, и решение — ORPO (Odds Ratio Preference Optimization), метод, объединяющий SFT и preference optimization в одном цикле без отдельной reference model.

Почему ORPO экономит память и время?

ORPO — метод, предложенный Hong et al. Ключевое отличие от DPO: ORPO объединяет Instruction Tuning и Preference Optimization в одном шаге, не требует отдельной reference model и использует odds ratio для penalization нежелательных ответов. Это значит, что вы можете выравнивать модель на одной видеокарте, а не на двух.

ORPO превосходит DPO по эффективности памяти при сопоставимом качестве: он использует вдвое меньше памяти, чем DPO, и не требует дополнительной модели. SimPO (Simple Preference Optimization) — более свежий метод, часто показывающий чуть лучшие результаты, но требует подбора двух гиперпараметров.

Как работает ORPO: математика и практика

Функция потерь:

L_ORPO = L_SFT + λ * L_OR

L_SFT = -log P(y_w | x)  # обычный SFT loss на chosen ответах

L_OR = -log(sigmoid(log(odds_ratio(y_w, x) / odds_ratio(y_l, x))))
где odds_ratio(y, x) = P(y|x) / (1 - P(y|x))

Гиперпараметр λ (в библиотеке TRL называется beta) определяет вес preference loss. Мы рекомендуем начинать с beta=0.1 и регулировать в сторону увеличения, если модель недостаточно штрафует плохие ответы.

Как собрать качественный датасет предпочтений?

Формат датасета идентичен DPO — пары prompt, chosen, rejected:

dataset = {
    "prompt": "Как правильно написать техническое задание?",
    "chosen": "Техническое задание включает несколько обязательных разделов: цель проекта, функциональные требования (с приоритетами по MoSCoW), нефункциональные требования (производительность, безопасность), ограничения, критерии приёмки...",
    "rejected": "Пишите что хотите чтобы разработчики поняли задачу"
}

Важно: rejected должен быть не просто плохим, а типично нежелательным — чтобы модель выучила границы. Собирайте пары с помощью экспертных оценок или LLM-as-Judge.

Реализация ORPO через TRL (пошагово)

from trl import ORPOTrainer, ORPOConfig
from peft import LoraConfig
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Meta-Llama-3.1-8B-Instruct",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

orpo_config = ORPOConfig(
    output_dir="./orpo-model",
    num_train_epochs=3,
    per_device_train_batch_size=2,
    gradient_accumulation_steps=8,
    learning_rate=8e-6,           # ORPO обычно требует меньший lr, чем SFT
    lr_scheduler_type="linear",
    warmup_ratio=0.1,
    beta=0.1,                     # λ в ORPO — вес OR loss (в TRL называется beta)
    max_length=2048,
    max_prompt_length=512,
    bf16=True,
    remove_unused_columns=False,
    logging_steps=10,
)

trainer = ORPOTrainer(
    model=model,
    args=orpo_config,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    peft_config=LoraConfig(
        r=16,
        lora_alpha=32,
        target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
        task_type="CAUSAL_LM",
    ),
)

trainer.train()

Когда выбирать ORPO вместо DPO?

Выбирайте ORPO при ограниченных GPU-ресурсах, отсутствии хорошей SFT reference model или задачах средней сложности alignment. DPO лучше подходит, если уже есть высококачественная SFT reference model и нужна точная настройка KL-дивергенции. SimPO стоит использовать, когда максимальный win rate на бенчмарках важнее простоты реализации. В таблице ниже — сравнение гиперпараметров.

Практический кейс: выравнивание модели code-review под стандарты финтех-команды

Из нашей практики. Клиент — финтех-компания с жёсткими стандартами безопасности кода. Задача: дообучить Qwen2.5-Coder-7B-Instruct для автоматического code review, выявляющего все нарушения. Проблема с чистым SFT: модель хорошо воспроизводит «правильные» ревью, но не штрафует за игнорирование нарушений. Нужна штрафная составляющая.

ORPO-датасет: 1800 пар. Chosen — ревью, выявляющий все нарушения стандартов. Rejected — ревью, пропустивший критические нарушения или сгенерировавший ложные замечания.

Конфигурация: ORPO, β=0.1, lr=5e-6, 2 эпохи, LoRA rank 16.

Результаты:

• Recall нарушений стандартов: 0.67 → 0.91
• Precision замечаний (нет ложных): 0.71 → 0.88
• False negative rate (пропуск критических нарушений): 28% → 7%
• Время обучения: 3.5ч на 1×A100 40GB (без reference model overhead)

Что входит в нашу работу по ORPO-дообучению

• Анализ вашей задачи и сбор требований
• Подготовка датасета предпочтений (выбор или генерация пар chosen/rejected)
• Выбор базовой модели и схемы PEFT (обычно LoRA)
• Обучение ORPO с подбором гиперпараметров λ/β
• Оценка с помощью LLM-as-Judge и эксперта
• Документация пайплайна и рекомендации по дальнейшему использованию
• Обучение вашей команды работе с моделью
• Поддержка в течение 2 недель после сдачи

Сроки и как начать

Ориентировочные сроки:

• Сбор датасета предпочтений: от 3 недель (под ключ)
• Обучение ORPO (7B, LoRA, A100): 3–8 часов
• Итерации λ/β: 3–5 дней
• Оценка (LLM-as-judge + человек): 1 неделя
• Итого: 5–8 недель в зависимости от сложности

Свяжитесь с нами для бесплатной оценки вашего проекта. Мы подберём оптимальный метод alignment и предложим план работ. Закажите консультацию — наши инженеры проанализируют задачу и дадут рекомендации.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.