最近，Predibase发布全球首个端到端强化微调平台RFT并开源，支持无服务器和端到端训练方法。与传统的监督式微调相比，RFT不依赖大量的标注数据，而是通过奖励和自定义函数来完成持续的强化学习，同时支持无服务器和端到端训练方法，从数据管理、训练模型到应用部署可以在同一个平台全部完成。
简而言之，用户只需要一个浏览器，设定微调目标、上传数据、就能完成以前非常复杂的大模型微调流程。
为了展示RFT的强大，Predibase基于阿里Qwen2.5-Coder-32B-instruct微调了一个专门用于将PyTorch代码翻译为Triton的模型Predibase-T2T-32B-RFT，并根据其他更大的基础模型（包括DeepSeek-R1、Claude 3.7 Sonnet和OpenAI o1）对内核正确性进行了基准测试。
与传统的监督式微调方法不同，Predibase-T2T-32B-RFT利用RFT以交互方式调整模型行为，以最少的标记数据优化下游任务质量。这使其成为专有LLM的高性价比、高性能替代方案。
通过RFT，Predibase在训练过程结合了冷启动监督式微调、强化学习和课程学习，并且只使用了十几个标记数据点。
在Kernelbench数据集上进行的基准测试显示，Qwen2.5-Coder-32B-instruct经过强化后，其正确率比DeepSeek-R1和OpenAI的o1高出3倍，比Claude 3.7 Sonnet高出4倍以上，而模型占用的空间却小了一个数量级。
目前，Predibase已经开源了微调后的Qwen2.5-Coder-32B-instruct模型。
RFT优势：
在技术方面，RFT不依赖大量标注数据，而是通过奖励函数来引导模型学习，无需大量标注数据，奖励函数可根据任务的特定需求评估模型输出，来引导模型的优化目标。
RFT的适应性与灵活性更强，允许用户根据具体任务需求自定义奖励函数，灵活定义模型优化目标。
RFT具备持续改进能力，支持持续改进，随着奖励函数优化和更多反馈数据积累，模型能不断学习和改进，适应任务需求变化。
在训练与推理效率方面，RFT平台是完全托管的无服务器平台，用户无需管理底层服务器或基础设施，平台自动处理训练、部署和推理全过程，大大降低了开发和运维复杂性。此外，RFT利用多LoRA框架和流式微批处理技术，实现了高效的训练和推理。
RFT还支持复杂任务的课程学习，即从简单到复杂逐步训练模型，使其能处理更复杂任务，这在需要深度推理的任务中特别有效。
在模型部署方面，Predibase的推理引擎原生支持RFT训练的模型，并提供高性能的无服务器部署解决方案，用户可将训练好的模型快速部署到生产环境中，并获得行业级服务水平支持。
RFT还具备更好的泛化能力，通过奖励函数引导模型学习，使模型能更好地泛化到未见过的数据上，提升其在实际应用中的鲁棒性。
Predibase表示，DeepSeek在开源R1之后，在全球AI领域产生了巨大影响，让很多人意识到强化学习微调对训练大模型的重要性。受此启发，他们开发了这个端到端无服务器强化微调平台。
