近日，Predibase平台宣布了一项重大创新，正式推出了业内首个端到端的强化微调平台（RFT），这一消息迅速在AI领域引起了广泛关注。
Predibase强调，DeepSeek-R1的开源项目不仅揭示了强化学习微调在大模型训练中的关键作用，更为他们开发RFT平台提供了灵感。该平台旨在简化并优化大模型的微调过程。
与传统的监督式微调方法相比，RFT平台摒弃了对大量标注数据的依赖，转而采用奖励机制和自定义函数来驱动持续的强化学习。这一平台集成了无服务器和端到端的训练方法，使得从数据管理、模型训练到应用部署的全过程都可以在单一平台上无缝完成。用户只需通过浏览器界面设定微调目标并上传数据，即可轻松完成以往繁琐复杂的大模型微调任务。
为了直观展示RFT平台的强大功能，Predibase团队利用阿里开源的Qwen2.5-Coder-32B-instruct模型，微调出了一个专门用于将PyTorch代码转换为Triton格式的模型——Predibase-T2T-32B-RFT。这一成果进一步证明了RFT平台在优化模型行为和提高下游任务质量方面的显著优势。
Predibase-T2T-32B-RFT模型通过RFT平台以交互方式调整行为，仅需极少的标记数据即可实现任务优化。这一特性使其成为了专有大型语言模型（LLM）的高性价比、高性能替代方案。在训练过程中，RFT结合了冷启动监督式微调、强化学习和课程学习等多种策略，即便是在标记数据点有限的情况下（仅使用了十几个标记数据点），也能取得令人瞩目的成果。
在Kernelbench数据集上的基准测试结果显示，经过强化学习的Qwen2.5-Coder-32B-instruct模型在正确率方面表现优异，较DeepSeek-R1和OpenAI的o1模型高出3倍，更是远超Claude 3.7 Sonnet模型4倍以上。值得注意的是，尽管Predibase的模型在体量上远小于这三者，但其性能却毫不逊色。
对于感兴趣的开发者和研究人员而言，Predibase已经将Predibase-T2T-32B-RFT模型开源，并提供了在线体验平台，以便更多人能够亲身感受RFT平台的强大功能。
开源地址：https://huggingface.co/predibase/Predibase-T2T-32B-RFT
在线体验地址：https://predibase.com/reinforcement-fine-tuning-playground
