ChatGLM-RLHF

本代码的RLHF代码不需要Megatron或者deepspeed框架，只需要传统的炼丹torch和显卡就好了，RLHF的Critic用的ChatGLM的缩小版本，而Reward咱们直接使用一个和目标输出比较的相似度模型即可。这样只需要学习核心的PPO算法即可，其他的都是已经了解的模型和结构。非常有利于NLPer进军RLHF，似乎看起来只需要RLHF也能finetune模型

功能：

RLHF数据格式的定义和使用√
只用RLHF就对ChatGLM进行了微调√
让ChatGLM认主√
- 修改自我认知钢印
  - 主人的姓名
  - Robot的昵称
更通用的Reward模型×
LLama-RLHF-only×
batch 化生成多个不同的prompt，再同时RLHF×
实现更精细化的情人设定×
结合自己资料的检索和生成×

使用方法

安装环境仿照，ChatGLM-6B官方那个即可

1 修改自己想要的主人名字和昵称，执行

python data/generate_data.py

2 基于自己的硬件情况，选择GPU设定。我这边有两张卡，所以可以使用cuda 0和1，但是至少要一张卡3090 24G因为action模型也就是ChatGLM是一定要在gpu上面的要不然实在太慢了。

python chatglm_rlhf.py

效果展示

训练大约5个epoch，或者等到ratio几乎都是1的时候，代表模型生成的概率已经没有什么变化了，就可以体验一下了

咩咩是你的什么？
- 咩咩是我的主人给我起的昵称。
咩咩是谁给你起的？
- 咩咩是我的昵称。
- 咩咩是主人给我起的。
谁是你的主人捏？
- 张三是我的主人。
- 我的主人是张三
泛化能力保持的很好嘛
- who is your master
  - 我的主人是张三。
- what is your nickname
  - My nickname is咩咩.
- what is your relationship with 张三
  - 张三是我的主人。
- what is your relationship with 咩咩
  - 咩咩是我的主人给我起的昵称。