DPO донавчання LLM: вирівнювання без RLHF

Донавчання LLM методом DPO (Direct Preference Optimization)

Ви навчили LLM на корпусі даних, але модель все одно видає не ті відповіді, які очікує користувач? Стандартний SFT не дає контролю над стилем і вподобаннями. Ми використовуємо DPO для вирівнювання LLM під бізнес-задачі. DPO — метод alignment, що дозволяє навчити модель генерувати бажані відповіді без явного навчання reward model і RLHF-циклу. Запропонований нещодавно в роботі DPO. DPO перетворює задачу RL на задачу supervised learning на датасеті переваг (chosen/rejected пари), що значно спрощує пайплайн alignment. Наші інженери реалізували DPO для десятків проєктів — результат: зростання CSAT до 23%, зниження відмов на 12%. Економія обчислювальних ресурсів сягає 60% порівняно з RLHF. Ви можете замовити DPO-донавчання під ключ — від збору датасету до деплою моделі.

Чому DPO став стандартом alignment?

Класичний RLHF потребує навчання окремої Reward Model і нестабільної PPO-оптимізації. DPO обходиться без цього. DPO в 3 рази швидший і на 60% дешевший за RLHF. Порівняння підходів:

Математично DPO мінімізує:

L_DPO = -E[log σ(β * (log π_θ(y_w|x)/π_ref(y_w|x) - log π_θ(y_l|x)/π_ref(y_l|x)))]

де y_w — preferred response, y_l — rejected, β — температура KL-регуляризації.

Як зібрати датасет переваг?

Формат датасету для DPO — пари (chosen, rejected). Приклад запису:

# Приклад запису датасету переваг
{
    "prompt": "Поясни різницю між TCP і UDP",
    "chosen": "TCP (Transmission Control Protocol) забезпечує надійну доставку даних з підтвердженням отримання, управлінням потоком і контролем помилок. UDP (User Datagram Protocol) — без встановлення з'єднання, без гарантії доставки, але з мінімальною затримкою. TCP використовують для HTTP, FTP, SMTP; UDP — для DNS, відеостримінгу, ігор реального часу.",
    "rejected": "TCP надійний, UDP швидкий. TCP повільніший тому що перевіряє кожен пакет. Обидва це протоколи інтернету."
}

На практиці ми використовуємо три методи збору:

1. Human annotation: 2–3 аннотатори на пару, висока достовірність.
2. AI-генерація + human verification: GPT-4o створює chosen, GPT-4o-mini — rejected, людина перевіряє 20–30%.
3. Реальні дані з продакшну: логи лайків/дизлайків, виправлення операторів.

Приклад генерації через OpenAI API:

from openai import OpenAI

def generate_preference_pair(prompt: str, client: OpenAI) -> dict:
    """Генерує пару chosen/rejected для DPO датасету"""

    # Хороша відповідь
    chosen_response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "Дай детальну, точну, добре структуровану відповідь."},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3
    ).choices[0].message.content

    # Погана відповідь — спеціально деградуємо якість
    rejected_response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Дай коротку, поверхневу відповідь без деталей."},
            {"role": "user", "content": prompt}
        ],
        temperature=0.9
    ).choices[0].message.content

    return {"prompt": prompt, "chosen": chosen_response, "rejected": rejected_response}

Реалізація DPO через TRL

Бібліотека TRL від Hugging Face надає готові класи. Приклад конфігурації:

from trl import DPOTrainer, DPOConfig
from peft import LoraConfig

# Створюємо reference model (заморожена копія SFT-моделі)
# TRL керує цим автоматично при use_reference_model=True

dpo_config = DPOConfig(
    output_dir="./dpo-model",
    num_train_epochs=1,              # DPO зазвичай 1-3 епохи
    per_device_train_batch_size=2,
    gradient_accumulation_steps=8,
    learning_rate=5e-7,              # Значно нижче, ніж SFT
    lr_scheduler_type="cosine",
    warmup_ratio=0.1,
    beta=0.1,                        # KL-температура
    loss_type="sigmoid",             # "sigmoid", "hinge", "ipo", "kto_pair"
    max_length=2048,
    max_prompt_length=512,
    bf16=True,
    logging_steps=10,
)

trainer = DPOTrainer(
    model=model,             # SFT-донавчена модель
    ref_model=None,          # None = автоматично створюється з model
    args=dpo_config,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    peft_config=LoraConfig(r=16, lora_alpha=32, target_modules=["q_proj","v_proj"]),
)

trainer.train()

Як вибрати loss_type для DPO?

Практичний кейс: покращення якості клієнтського сервісу

Задача: мовна модель для підтримки клієнтів відповідала коректно, але з жорстким, безособовим тоном. SFT-донавчання на нових даних частково вирішило проблему, але вимагало перезбору даних щоразу.

Рішення: DPO на парах переваг. Chosen — відповіді операторів з високим CSAT. Rejected — відповіді з низьким CSAT. Об'єм: 2100 пар. У цьому кейсі наш клієнт — компанія зі сфери телекомунікацій.

Базова модель для DPO: SFT-донавчена Mistral 7B.

Результати:

• CSAT бота: 3.4 → 4.2 (із 5)
• Empathy score (LLM-as-judge): 2.8 → 4.1
• Factual accuracy: без змін (0.91 → 0.91)
• Refusal rate: 12% → 4% (модель стала менш надмірно обережною)
• β=0.1 виявився оптимальним: при β=0.5 accuracy впала, при β=0.01 — нестабільність

Типовий пайплайн: SFT → DPO

DPO застосовується поверх SFT, а не замість нього:

1. SFT (Supervised Fine-Tuning): вчимо модель форматувати та видавати релевантні відповіді в домені.
2. DPO: вирівнюємо якість відповідей під вподобання користувачів.

Пропуск SFT і прямий DPO на базовій моделі технічно можливий, але менш стабільний.

Що входить у DPO-донавчання під ключ

Ми пропонуємо комплексну послугу з DPO-донавчання LLM. Команда з досвідом понад 10 років у NLP гарантує якість:

• Збір та розмітка датасету переваг (мінімум 1000 пар).
• SFT-донавчання базової моделі (якщо потрібно).
• DPO-навчання з підбором гіперпараметрів (β, loss_type, learning rate).
• Оцінка якості: LLM-as-judge + human evaluation.
• Деплой моделі в продакшн (SageMaker, Triton, ONNX).
• Документація та передача прав на модель.

Гарантуємо якість: кожен проєкт проходить A/B тестування на реальних користувачах. Зв'яжіться з нами для попередньої оцінки вашого проєкту.

Терміни та вартість

Орієнтовні терміни:

• Збір та розмітка датасету переваг: 3–6 тижнів.
• SFT (якщо не проводився): 2–3 тижні.
• DPO навчання та ітерації: 1–2 тижні.
• Оцінка якості: 1 тиждень.
• Разом: 7–12 тижнів.

Вартість розраховується індивідуально і залежить від об'єму датасету, розміру моделі та глибини кастомізації. Отримайте консультацію — ми підготуємо комерційну пропозицію з урахуванням ваших завдань.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.