2024年以来，强化微调（Reinforcement Fine-Tuning, RFT）技术成为AI领域的热点，其核心在于将强化学习（Reinforcement Learning, RL）与传统微调方法结合，推动大语言模型（Large Language Model, LLM）性能突破。在OpenAI连续12天的技术发布会上，发布了强化微调的工具链，「只需几十个样例，模型就能学会在自定义领域以新的有效方式进行推理」。也就是说，这种技术既能提高其在某领域特定任务上的准确性，还能增强模型对类似问题的推理能力，成为一个真正的领域专家。

3月12日，华为云ModelArts Studio大模型开发平台最新发布了强化微调功能，支持对盘古大模型进行强化微调，为盘古大模型深入行业提供了更高性价比的、领域增强的解决方案。同时，ModelArts Studio也成为业界首个支持在国产硬件上支持强化微调的平台。

华为云ModelArts Studio大模型开发平台，盘古大模型唯一企业级入口，数据工程、模型开发、Agent开发及垂域应用四大套件全覆盖，昇腾硬件加持，全栈训推，性能出众，助力企业快速实现AI应用。

RFT技术到底强在哪里？用更少的数据获得更优的领域效果

强化微调是一种基于强化学习的模型微调方法。该方法通过引导模型分别给定的指令集自主生成响应，并利用参考答案对响应进行评分，从而突破了传统训练方式对海量人工标注偏好数据的依赖。借助这一技术，仅需少量高质量样本（数百至数千条）即可定制化训练特定领域的模型。

其训练过程如下：

• 用户数据集：通常仅需数百至数千条行业数据，需包含“system”(可选)：系统指令，“context”：用户指令，“target”：参考答案；

• LLM：选择具备 Chat 能力的模型作为 RFT 基座模型，如可选pangu-NLP-N2-4K模型

• 规则打分器：用于帮助模型“自我反思”，如ModelArts Studio 当前支持逆序排序的打分方式

• 强化算法：选择GRPO、DPO等强化算法进行RFT训练

在强化学习机制的支持下，强化微调使得模型能够通过“自我博弈”的方式自主生成训练数据，并结合动态奖励机制持续优化输出质量，兼顾效率与效果。与传统的监督微调(Supervised Fine-Tuning, SFT)相比，RFT在数据稀缺的专业领域展现出明显优势，适应性更强。

盘古大模型+强化微调RFT的场景实战：800条数据提升10+%的模型精度

实战行业场景：大模型辅助诊断医疗疾病场景。

行业难点：

• 通用模型由于在后训练阶段缺乏医疗相关数据，存在一定的幻觉问题；

• 通用模型一般直接进行症状匹配并作出诊断，准确率低。

本次实验分为4个步骤：

Step1：准备实战数据

本次实验采用医疗开源数据集DxBench，随机选取800条数据为训练集，其余作为验证集。

数据样例：

(Source: Chen, Junying, et al. "CoD, Towards an Interpretable Medical Agent using Chain of Diagnosis." arXiv preprint arXiv:2407.13301 (2024).)

Step2：上传数据至ModelArts Studio平台

数据拼接：

DxBench 原始数据中仅列出了显性症状、隐形症状与候选病症的独立信息，无法直接输入到模型中进行训练。为此，我们设计了一套简单的用户指令，给定上述三种信息，要求模型输出一个病症列表，其中排在第一位的是模型认为最有可能的病症，第二位为可能性较大的病症，以此类推。

拼接后用户指令如下：

你是一位经验丰富的医生。请基于患者的症状信息，对候选疾病进行可能性排序。\n\n输入信息包括：\n1.显性症状列表：[{显性病状}]]\n2.隐性症状列表：[{隐形病状}]\n3.候选疾病列表：{候选病症}\n\n请按照以下步骤进行分析：\n1.综合分析所有症状信息\n2.对每个候选疾病评估其与症状的匹配程度\n3.基于症状表现的典型性和特异性进行排序\n4.将疾病按可能性从高到低排序，并以json格式输出最终的排序列表\n\n示例输出：\n{\n \"possible_diseases\": [\"疾病1\", \"疾病2\", \"疾病3\"]\n}\n\n请基于以上标准对该患者的候选疾病进行分析并给出排序结果。

格式处理：

本数据为带人设的单轮问答数据，采用ModelArts Studio的单轮数据格式处理数据。

格式样例：

{"system":"***","context":"***","target":"***"}

处理完的数据样例：

{"system": "你是一个擅长于文章写作、文本分析、代码编写、数学运算、逻辑推理的AI助手，专注于针对用户的问题给出高质量解答。", "context": "你是一位经验丰富的医生。请基于患者的症状信息，对候选疾病进行可能性排序。\n\n输入信息包括：\n1.显性症状列表：[['呕吐', 'True']]\n2.隐性症状列表：[['哭声评分减分', 'True'], ['喂养困难', 'True'], ['腹部不适', 'False']]\n3.候选疾病列表：['新生儿呕吐', '进食障碍', '消化不良']\n\n请按照以下步骤进行分析：\n1.综合分析所有症状信息\n2.对每个候选疾病评估其与症状的匹配程度\n3.基于症状表现的典型性和特异性进行排序\n4.将疾病按可能性从高到低排序，并以json格式输出最终的排序列表\n\n示例输出：\n{\n \"possible_diseases\": [\"疾病1\", \"疾病2\", \"疾病3\"]\n}\n\n请基于以上标准对该患者的候选疾病进行分析并给出排序结果。", "target": "新生儿呕吐"}

数据上传：

将数据上传到华为云数据存储服务中。在ModelArts Studio数据导入模块，选择文本->单轮问答（人设）数据，将数据上传到平台。

由于本数据集比较干净，无需使用平台进行二次清洗。我们直接将其发布为用于模型训练的格式数据。

Step3：创建RFT训练任务

在ModelArts Studio大模型开发平台上选择 NLP大模型->强化学习->RFT 的训练目标，模型选择Pangu_NLP_N2_4K-3.2.35，该模型是华为自研的百亿级通用大模型。

使用平台默认参数进行强化微调，打分器规则选择：Inverse-rank-grader，即对模型输出的逆序列表进行打分，正确答案越靠前分数越高（分数最高为1），越靠后分数越低（分数最低为0）。

以上述“Step2 格式处理”中的样本为例。患者实际病症为“新生儿呕吐”，若模型输出结果为['新生儿呕吐', '进食障碍', '消化不良']，则 Score=1.0；若模型输出结果为['进食障碍', '新生儿呕吐', '消化不良']，则 Score=0.5；若模型输出结果为['进食障碍', '消化不良', '新生儿呕吐']，则 Score=0.

Step4：评估模型效果

在训练平台上观测训练曲线，本用例中强化算法学习使用Iterative DPO，Loss曲线呈现先降低后增加，符合预期。使用DPO算法，能够降低强化学习的硬件消耗，起训卡数与传统SFT相当。

随着模型的RFT训练，测试集上的准确率稳步上升，表明该方法具有较强的有效性与泛化性。第1个epoch训练完成后测试集acc提升至0.657，超越DeepSeek-R1（Top@1=603），Deepseek-R1-distill-qwen-32B（Top@1=0.647）。第3个epoch训练完成后测试集Top@1 acc提升至0.697，大幅超越qwen72b（Top@1=0.667）与qwq-32b（Top@1=0.663）。实验结果显示，通过RFT微调的模型在“疾病选择”任务中具有显著的性能提升。这表明强化学习微调是一种有效的策略，可以进一步提高大模型在特定任务上的表现。

模型训练完成后，我们将模型进行部署，进行效果评测。使用之前拆分的300条评测集进行评测，在评测集上，原模型（Pangu_NLP_N2_4K-3.2.35）准确率为0.607，开源模型DeepSeek-R1、eepSeek-R1-Distill-Qwen-32B、QwQ-32B、Qwen2.5-72B-Instruct的准确率分别为0.603、0.647、0.663、0.667，而我们通过强化微调后的模型，准确率达到了0.712，较微调前上升了10.5%。可以明显的看出，与各通用模型相比，我们使用800条数据就可让大模型在特定行业应用场景下得到明显提升。

经验总结

经验一：通过在ModelArts Studio大模型开发平台上使用盘古大模型进行强化微调，我们仅需少量（百条级）行业数据，就可训练一个高性能的行业大模型。可以展望的，在诸如医疗、法律等数据相对稀缺的行业，通过精选少量的行业相关数据，并采用强化微调的训练方式，从而在有限的数据资源下取得了更优的模型性能。这种方法不仅提高了模型的准确性，还有效解决了数据不足的问题。

经验二：在ModelArts Studio上使用强化微调能力，平台预置了强化微调方式的模型和最优路径，各行业人员仅需有少而精的专业数据，就可以自助训练出自己的领域专家模型，训练难度明显降低。

经验三：在通用场景表现优异的基础大模型，在深入行业时效果不一定为最佳。在行业场景落地时，选择适合行业领域的大模型知识学习方式，才能让大模型真正在行业落地。正如盘古大模型坚定践行2B路线理念一样，深入行业，帮助客户打造行业大模型与行业智能体。