隻需一句話，描述你想要大模型去做什麽。
就有一系列 AI 自己當 " 模型訓練師 "，幫你完成從生成數據集到微調的所有工作。
比如讓 70 億參數羊駝大模型學會優化 GPT-4 提示詞，整個過程隻要 20 分鍾。
秘訣就是網友分享的一個可以幫咱自動訓練模型的 AI 工具：
它能幫你搞定數據收集、寫代碼等一系列操作，你要做的就是用人話描述你要什麽，然後坐等即可。
可能是全世界最簡單的大模型微調方法了（手動狗頭）。
并且成本也不高，羊駝這個例子花費就不超 15 美元（合 100 來塊人民币）。
好消息，小哥已将它直接開源（GitHub1k 标星），你也可以試試。
AI 模型訓練師操作指南
如上圖所示，此工具名叫gpt-llm-trainer。
如果你也想用它來自動微調某個大模型，首先需要準備：
1、Google Colab 或者本地 Jupyter notebook；
2、如果選前者，請切換到可用的最佳 GPU（執行 "Runtime -> change runtime type"）；
3、以及一個 OpenAI API key（主要還是用的 GPT-4 能力）。
然後就可以進入具體操作了：
1、先寫你的提示詞，也就是你希望這個微調後的模型需要具備什麽功能。
可以肯定的是，描述得越清晰越好。
比如開頭的羊駝例子，作者就給了這麽一大段（紅字部分）：
官方也給了一個簡單的示例：
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、設定兩個值：
（1）temperature，生成數據集的 " 溫度 "（取值 0-1），值越高代表創意性越強，越低代表越精确；
（2）number_of_examples，要生成的示例數量，推薦從 100 開始。
3、無腦 " 下一步 "，運行所有 cell，完成 " 生成數據集 "、" 自動分爲訓練集和驗證集 "、" 安裝各種必備庫 "、" 定義超參數 "、" 加載數據集并訓練 " 這一系列自動步驟。
之後，你就能得到一個微調好的新模型了。
需要注意的是，這個過程可能在10 分鍾到幾個小時不等，取決于你設置的示例生成數量。
4、最後執行 "Run Inference" 測試效果，完畢。
相當簡單有沒有。
值得一提的是，作者已經盤點出了一些待改進的地方，比如：
改進示例生成 pipeline，讓生成效率更高，成本更低；
添加示例修剪功能，删除相似的樣本從而提高性能；
根據示例和數據集的詳細信息（比如示例數量），利用 GPT-4 自動選擇超參數，甚至是要微調的模型；
訓練多個變體，推出評估損失（eval loss）最少的那個；
……
大家也可以淺淺期待一波。
如此神器，出自誰手？
我們簡單挖了一下，發現作者的來頭還不小。
他叫 Matt Shumer，推特粉絲 1.7 萬。
Matt 自己開了家公司，産品名叫 HyperWriteAI。
這是一個厲害的浏覽器操作 agent，可以像人一樣操作谷歌浏覽器來完成一系列任務，比如訂披薩。
和 gpt-llm-trainer 一樣，你隻需要用文字描述目标，它就會一邊列步驟，一邊執行。
号稱 " 比 AutoGPT 強 " ——
目前，HyperWriteAI 已經可以在谷歌擴展程序中安裝了，顯示用戶已達 10w+。
最後，我們翻看這位大佬的推特，發現他當天最新的一條推文是：
幾周之後，大語言模型的前景就可能要變天了。
可能又在醞釀什麽大動作？（手動狗頭）
更新：大佬又發了一個類似的自動工具，名叫gpt-oracle-trainer。
隻需上傳一個産品文檔，就能自動訓練出一個可以回答有關該産品問題的聊天機器人。
友情鏈接：
[ 1 ] https://github.com/mshumer/gpt-llm-trainer
[ 2 ] https://github.com/mshumer/gpt-oracle-trainer
