第二章：使用 SFTTrainer 简化训练流程

配套代码：sfttrainer.py

承上启下

在上一章中，我们学习了如何使用原生 Trainer 进行 SFT 训练。虽然功能完整，但需要：

• 手动计算 prompt 长度
• 手动设置 labels（实现 Loss Masking）
• 手动选择和配置 DataCollator
• 代码量较大，容易出错

本章介绍 TRL 库的 SFTTrainer——一个专门为 SFT 以及 RL 设计的训练器，让这些复杂操作全部自动化！

本章学习目标

完成本章后，你将理解：

1. TRL 库 是什么以及它的优势
2. SFTTrainer 如何自动化 Loss Masking
3. SFT的四种数据格式 的区别和适用场景
4. Flash Attention 如何加速训练
5. chat_template 的作用和自定义方法

1. TRL 库简介

1.1 什么是 TRL？

TRL（Transformer Reinforcement Learning） 是 Hugging Face 提供的高级训练库：

graph TB
    subgraph Stack["Hugging Face 训练栈"]
        direction TB
        subgraph TRL["TRL (高级封装)"]
            SFTTrainer["SFTTrainer"]
            DPOTrainer["DPOTrainer"]
            PPOTrainer["PPOTrainer 等"]
        end

        subgraph Transformers["Transformers (基础框架)"]
            Trainer["Trainer"]
        end

        TRL -->|基于| Transformers
    end

1.2 SFTTrainer vs Trainer 对比

2. SFTTrainer 支持的四种数据格式

这是理解 SFTTrainer 的关键！

2.1 格式对比

SFTTrainer 支持的四种数据格式

格式1: Standard Language Modeling

{"text": "The sky is blue."}

• 适用场景：预训练、续写任务
• 特点：对所有 token 计算 Loss（无 Loss Masking）

格式2: Conversational Language Modeling ⭐ 推荐

{"messages": [
    {"role": "user", "content": "问题"},
    {"role": "assistant", "content": "回答"}
]}

• 适用场景：对话任务、聊天模型训练
• 特点：自动应用 chat_template，自动 Loss Masking

格式3: Standard Prompt-Completion

{"prompt": "问题", "completion": "回答"}

• 适用场景：简单问答任务
• 特点：只对 completion 部分计算 Loss

格式4: Conversational Prompt-Completion

{"prompt": [{"role": "user", ...}],
 "completion": [{"role": "assistant", ...}]}

• 特点：使用对话形式完成的Prompt-Completion

2.2 推荐格式：messages（格式2）

对于大多数对话任务，格式2（messages） 是最推荐的：

def process_func_simple(example, tokenizer, max_length):
    """简化的预处理函数"""
    messages = [
        {"role": "user", "content": f"请总结: {example['dialogue']}"},
        {"role": "assistant", "content": example['summary']}
    ]
    return {"messages": messages}  # 就这么简单！

如果需要单纯的Prompt-Completion任务，格式3也可以接受的，除非你明确知道自己的需求，格式1以及4使用的相对较少，我们在代码中会主要介绍Conversational Language Modeling 也就是 messages ，同时补充一部分Prompt-Completion。

对比上一章的 process_func：

• 上一章：30+ 行代码，手动计算 prompt_len
• 本章：5 行代码，SFTTrainer 自动处理一切

3. SFTTrainer 的内部工作原理

3.1 自动化处理流程

当你使用 messages 格式时，SFTTrainer 内部会：

处理流程

graph TD
    A["messages格式数据<br/>role: user/assistant"] --> B[检测数据格式]
    B --> C[应用 chat_template]
    C --> D[识别 assistant 回复边界]
    D --> E[自动设置 labels]
    E --> F[分词和 padding]
    F --> G[训练就绪的 batch]

详细步骤

1. 检测数据格式 → 发现是 messages 格式
2. 应用 chat_template → 生成标准化的对话格式
3. 识别 assistant 回复边界 → 通过特殊标记自动识别
4. 自动设置 labels → prompt 部分设为 -100，assistant 部分设为实际 token ID
5. 分词和 padding → 处理成模型可用的格式

3.2 关键配置参数

from trl import SFTConfig

training_args = SFTConfig(
    output_dir="./output",
    
    # 核心参数：自动化 Loss Masking
    assistant_only_loss=True,  # [重点] 只对 assistant 回复计算 Loss
    
    # 可选：自定义 chat_template
    chat_template_path="path/to/template.jinja",  
    # 并不是所有模型的chat_template 都原生支持assistant_only_loss=True，
    # 这就涉及了自定义chat_template，关于具体的区别，我们会在后面再聊到
    
    # 其他常规参数
    max_length=2048,
    per_device_train_batch_size=4,
    learning_rate=2e-4,
    ...
)

4. assistant_only_loss vs completion_only_loss

这是两个容易混淆的参数：

注意：completion_only_loss 默认就是 True，通常不需要显式设置，并且无需额外设定chat_template就可以直接支持市面上的主流语言模型。相反的，assistant_only_loss=True默认为False 并且需要专门的chat_template支持。

4.1 使用 messages 格式（推荐）

# 需要设置 assistant_only_loss=True
# 可能需要设置 chat_template_path（如果模型默认不支持）
training_args = SFTConfig(
    assistant_only_loss=True,
    chat_template_path="path/to/template.jinja",  # Qwen3 需要
    ...
)

4.2 使用 conversational_prompt_completion 格式

# 不需要设置 assistant_only_loss
# 不需要设置 chat_template_path
# 使用默认配置即可（completion_only_loss=True 是默认值）
training_args = SFTConfig(
    # 默认配置就能工作
    ...
)

5. chat_template 深入理解

5.1 什么是 chat_template？

chat_template 一般是一个 Jinja2 模板，定义了如何将对话格式化为模型能理解的文本：

输入 messages:
[
    {"role": "user", "content": "你好"},
    {"role": "assistant", "content": "你好！有什么可以帮你的吗？"}
]

        ↓ 应用 chat_template ↓

输出文本:
<|im_start|>user
你好<|im_end|>
<|im_start|>assistant
你好！有什么可以帮你的吗？<|im_end|>

5.2 为什么需要自定义 chat_template？

问题：并非所有模型都支持 return_assistant_tokens_mask 功能

事实上出于稳定性的考虑，return_assistant_tokens_mask 功能使用的新Jinja2模板可能会导致和其他框架的不兼容，因此从未来的角度看，这个适配很可能是不会继续进行的。

这个功能让 SFTTrainer 能够自动识别 assistant 回复的边界。如果模型的默认 template 不支持，需要自定义。

Qwen3 的情况：

• 默认 template 不支持 generation 关键字
• 需要使用修改后的 template 来启用 assistant_only_loss

5.3 自定义 template 示例

本质上自定义的template就是在原始template的基础上，使用 generation 和 endgeneration 关键字包裹了助手生成的部分，从而使SFTTrainer能够通过这个关键字进行掩码。

{#- 自定义 template 的关键部分 -#}
{%- for message in messages %}
    {%- if message['role'] == 'assistant' %}
        {{- '<|im_start|>assistant\n' }}
        {%- generation %}  {# ← 这个标签告诉 SFTTrainer 这是要训练的部分 #}
            {{- message['content'] + '<|im_end|>' }}
        {%- endgeneration %}
    {%- endif %}
{%- endfor %}

6. Flash Attention：加速训练

6.1 什么是 Flash Attention？

Flash Attention 是一种优化的注意力计算实现：

6.2 启用 Flash Attention

# 检查是否可用
try:
    from flash_attn import __version__
    FLASH_ATTENTION_AVAILABLE = True
except ImportError:
    FLASH_ATTENTION_AVAILABLE = False

# 加载模型时启用
model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-8B",
    attn_implementation="flash_attention_2",  # ← 启用 Flash Attention
    dtype=torch.bfloat16,
    ...
)

6.3 安装 Flash Attention

pip install flash-attn --no-build-isolation

要求：

• CUDA 支持的 GPU
• Ampere 架构或更新（A100, H100, RTX 30xx/40xx 等）
• flash-attn2 支持到 Ampere 架构，如果拥有更新架构的显卡，根据支持情况使用flash-attn

7. 完整代码对比

7.1 上一章（原生 Trainer）

# 需要手动处理很多事情
def process_func(example, tokenizer, max_length):
    messages = [...]
    text = tokenizer.apply_chat_template(messages, tokenize=False)
    tokenized = tokenizer(text, ...)
    
    # 手动计算 prompt 长度
    prompt_text = tokenizer.apply_chat_template(user_only, ...)
    prompt_len = len(tokenizer(prompt_text)["input_ids"])
    
    # 手动设置 labels
    labels = [-100] * len(input_ids)
    labels[prompt_len:] = input_ids[prompt_len:]
    
    return {"input_ids": ..., "labels": labels, ...}

# 手动选择 DataCollator
data_collator = DataCollatorForSeq2Seq(tokenizer)

# 手动应用 LoRA
model = get_peft_model(model, lora_config)

trainer = Trainer(model, data_collator=data_collator, ...)

7.2 本章（SFTTrainer）

# 简化的预处理
def process_func_simple(example, tokenizer, max_length):
    messages = [
        {"role": "user", "content": ...},
        {"role": "assistant", "content": ...}
    ]
    return {"messages": messages}  # 就这么简单！

# 配置 SFTConfig
training_args = SFTConfig(
    assistant_only_loss=True,  # 自动 Loss Masking
    ...
)

# SFTTrainer 自动处理一切
trainer = SFTTrainer(
    model=model,
    args=training_args,
    peft_config=lora_config,  # 自动应用 LoRA
    train_dataset=train_dataset,
    # 不需要设置 data_collator！
)

8. 运行代码

8.1 选择数据格式

在 sfttrainer.py 底部修改：

# 选项1: messages 格式（推荐，需要自定义 chat_template）
DATA_FORMAT = "messages"

# 选项2: conversational_prompt_completion 格式 （因为已经配置好 chat_template）
DATA_FORMAT = "conversational_prompt_completion"

8.2 运行训练

python sfttrainer.py

9. 本章小结

10. 对比总结

从 Trainer 到 SFTTrainer：对比总结

结论： 在SFT的生产环境推荐使用 SFTTrainer ，标准的Trainer是为了连续预训练而设计的

下一章预告

SFT 让模型学会了按照指令回答问题。但是：

• 模型的回答可能不够”好”
• 用户可能有不同的偏好
• 我们想让模型的回答更符合人类期望

问题：如何让模型学习人类偏好？

答案：使用偏好对齐技术！

在下一章，我们将学习 DPO（Direct Preference Optimization）：

• 使用偏好数据（chosen vs rejected）训练
• 不需要训练奖励模型
• 比传统 RLHF (PPO) 更简单稳定
• 作为通向高级强化学习的桥梁

附录：常见问题

Q: assistant_only_loss 不生效怎么办？
A: 检查模型的 chat_template 是否支持 generation 标签。Qwen3 需要使用自定义 template。

Q: Flash Attention 安装失败？
A: 确保 CUDA 版本和 PyTorch 版本兼容。尝试 pip install flash-attn --no-build-isolation。

Q: 两种数据格式该选哪个？
A: 多轮对话选 messages + assistant_only_loss；单轮问答可以选 prompt_completion，从而避免对话模板的问题。

参考资料

• TRL 文档：SFTTrainer
• Transformers 文档：Chat templates
• InstructGPT 论文：Training language models to follow instructions with human feedback
• FlashAttention 论文：Fast and Memory-Efficient Exact Attention with IO-Awareness
• flash-attention
• TRL