LLM（Large Language Model，大型语言模型）在预训练和对齐阶段，虽然都使用loss函数来指导模型学习，但两者在loss的设计和目标上存在显著差异。

1. 预训练阶段:

目标: 学习语言的通用表示，掌握语法、语义、知识等。
数据: 海量、未标注的文本数据，例如书籍、网页、代码等。
Loss函数: 通常使用自监督学习方法，例如：

Masked Language Modeling (MLM): 掩盖句子中部分词语，让模型预测被掩盖的词语。
Causal Language Modeling (CLM): 根据前面的词语预测下一个词语。

Loss特点:

关注模型对语言结构和知识的理解。
数值较大，因为模型需要学习大量信息。
随着训练的进行，loss逐渐下降，表示模型对语言的理解能力不断提升。

预训练Loss代码:

transformers库中的源代码，包含在trainer中的compute_loss，会在预估的prediction_step和training_step函数中被调用，实现的源代码在LabelSmoother类中，具体实现如下：

544@dataclass
545classLabelSmoother:
546"""
547Addslabel-smoothingonapre-computedoutputfromaTransformersmodel.
548
549Args:
550epsilon(`float`,*optional*,defaultsto0.1):
551Thelabelsmoothingfactor.
552ignore_index(`int`,*optional*,defaultsto-100):
553Theindexinthelabelstoignorewhencomputingtheloss.
554"""
555
556epsilon:float=0.1
557ignore_index:int=-100
558
559def__call__(self,model_output,labels,shift_labels=False):
560logits=model_output["logits"]ifisinstance(model_output,dict)elsemodel_output[0]
561ifshift_labels:
562logits=logits[...,:-1,:].contiguous()
563labels=labels[...,1:].contiguous()
564
565log_probs=-nn.functional.log_softmax(logits,dim=-1)
566iflabels.dim()==log_probs.dim()-1:
567labels=labels.unsqueeze(-1)
568
569padding_mask=labels.eq(self.ignore_index)
570#Incasetheignore_indexis-100,thegatherwillfail,sowereplacelabelsby0.Thepadding_mask
571#willignoretheminanycase.
572labels=torch.clamp(labels,min=0)
573nll_loss=log_probs.gather(dim=-1,index=labels)
574#worksforfp16inputtensortoo,byinternallyupcastingittofp32
575smoothed_loss=log_probs.sum(dim=-1,keepdim=True,dtype=torch.float32)
576
577nll_loss.masked_fill_(padding_mask,0.0)
578smoothed_loss.masked_fill_(padding_mask,0.0)
579
580#Takethemeanoverthelabeldimensions,thendividebythenumberofactiveelements(i.e.not-padded):
581num_active_elements=padding_mask.numel()-padding_mask.long().sum()
582nll_loss=nll_loss.sum()/num_active_elements
583smoothed_loss=smoothed_loss.sum()/(num_active_elements*log_probs.shape[-1])
584return(1-self.epsilon)*nll_loss+self.epsilon*smoothed_loss

shift_labels：是否需要位移计算，logits = logits[..., :-1, :]预估值，从第0个到倒数第二个，labels = labels[..., 1:]为label，原始文本，从第1个到结束，label中的第0个为输入，预估结果从第一开始，计算loss也是。
log_probs：softmax函数的计算，转换为概率分布。
padding_mask：padding_mask = labels.eq(self.ignore_index)，label中特殊标记token（pad_token_id）为padding，可以计算出padding_mask来，刨除padding_mask外的，参加loss计算。
nll_loss：核心计算nll_loss = log_probs.gather(dim=-1, index=labels),log_probs是一个形状为 (batch_size, sequence_length, vocab_size) 的张量，表示模型对每个词的预测概率的对数。

batch_size：批处理大小，即一次处理多少个样本。
sequence_length：序列长度，即句子中有多少个词。
vocab_size：词汇表大小，即模型认识多少个不同的词。
例如，log_probs[0, 2, 500] 表示模型预测第一个样本中第三个词是词汇表中第500个词的概率的对数，从log_probs到nll_loss,主要做了平滑和去掉padding。
labels：形状为 (batch_size, sequence_length) 的张量，每个词的真实标签 (ground truth)，例如，labels[0, 2] 表示第一个样本中第三个词的真实标签。
gather(dim=-1, index=labels):从log_probs获取labels对应位置的值；dim=-1：表示在最后一个维度（即 vocab_size 维度）上进行操作；index=labels：使用 labels 张量作为索引来获取log_probs 中的值。

2. 对齐阶段 (SFT: Supervised Fine-Tuning):

目标: 将预训练模型的能力迁移到特定任务，例如对话生成、文本摘要、机器翻译、LLM落地到垂类业务场景等。
数据: 针对特定任务的标注数据，例如对话记录、摘要文章、翻译文本、垂类业务数据等。
Loss函数: 通常使用监督学习方法，根据具体任务选择合适的loss函数，例如：

Cross-Entropy Loss: 用于分类任务，例如情感分析、意图识别等。
Mean Squared Error (MSE) Loss: 用于回归任务，例如文本评分、机器翻译质量评估等。

Loss特点:

关注模型在特定任务上的表现。
数值相对较小，因为模型只需要微调预训练的参数。
随着训练的进行，loss逐渐下降，表示模型在特定任务上的表现不断提升。

对齐sft Loss代码:

对齐sft loss对不同的训练框架实现稍微有些区别，但本质都是一样的，都会先对prompt部分剔除或者mask掉，然后调用预训练transormers库的loss计算，以开源框架LLaMA-Factory中的sft进行解读。
LLaMA-Factory中的sft loss计算代码在train/sft/trainer.py中，具体实现在prediction_step函数中，详细如下：

81@override
82defprediction_step(
83self,
84model:"torch.nn.Module",
85inputsict[str,Union["torch.Tensor",Any]],
86prediction_loss_only:bool,
87ignore_keys:Optional[List[str]]=None,
88)->Tuple[Optional[float],Optional["torch.Tensor"],Optional["torch.Tensor"]]:
89r"""
90Removesthepromptpartinthegeneratedtokens.
91
92Subclassandoverridetoinjectcustombehavior.
93"""
94labels=inputs["labels"]if"labels"ininputselseNone
95ifself.args.predict_with_generate:
96assertself.tokenizer.padding_side=="left","Thismethodonlyacceptsleft-paddedtensor."
97labels=labels.detach().clone()iflabelsisnotNoneelseNone#backuplabels
98prompt_len,label_len=inputs["input_ids"].size(-1),inputs["labels"].size(-1)
99ifprompt_len>label_len:
100inputs["labels"]=self._pad_tensors_to_target_len(inputs["labels"],inputs["input_ids"])
101iflabel_len>prompt_len:#truncatethelabelsinsteadofpaddingtheinputs(llama2fp16compatibility)
102inputs["labels"]=inputs["labels"][:,:prompt_len]
103
104loss,generated_tokens,_=super().prediction_step(#ignorethereturnedlabels(maybetruncated)
105model,inputs,prediction_loss_only=prediction_loss_only,ignore_keys=ignore_keys
106)
107ifgenerated_tokensisnotNoneandself.args.predict_with_generate:
108generated_tokens[:,:prompt_len]=self.tokenizer.pad_token_id
109generated_tokens=generated_tokens.contiguous()
110
111returnloss,generated_tokens,labels
112
113def_pad_tensors_to_target_len(self,src_tensor:"torch.Tensor",tgt_tensor:"torch.Tensor")->"torch.Tensor":
114r"""
115Padsthetensortothesamelengthasthetargettensor.
116"""
117assertself.tokenizer.pad_token_idisnotNone,"adtokenisrequired."
118padded_tensor=self.tokenizer.pad_token_id*torch.ones_like(tgt_tensor)
119padded_tensor[:,-src_tensor.shape[-1]:]=src_tensor#adoptleft-padding
120returnpadded_tensor.contiguous()#incontiguousmemory

部分参数含义：因为计算sft计算loss时，prompt部分不参与，需要从labels中刨除掉，使用pad_token_id特殊token掩盖掉prompt

padding_side：padding_side == "left" assert为左边padding，否则报错（需要可以自行修改，但需要把一些padding的逻辑都一起改了）。
if prompt_len > label_len则在prompt 张量中将prompt部分用pad_token_id特殊token mask掉，具体实现在_pad_tensors_to_target_len中，if label_len > prompt_len 同理。
mask掉prompt部分后，调用transformers库基类Trainer的prediction_step，即可计算出输出部分的loss（详细代码看预训练部分loss）。

总结:

特征	预训练	对齐 (SFT)
目标	学习通用语言表示	迁移到特定任务
数据	海量未标注数据	高质量标注数据
Loss函数	自监督学习 (MLM, CLM)	监督学习 (Cross-Entropy, MSE)
Loss特点	数值较大，关注语言理解	数值较小，关注任务表现

需要注意的是，以上只是一些常见的区别，实际情况可能更加复杂。例如，有些预训练任务也会使用少量标注数据，而有些对齐任务也会使用自监督学习方法。

总的来说，预训练和对齐阶段的loss函数设计都至关重要，它们共同决定了LLM最终的性能。

链载Ai

1. 预训练阶段:

2. 对齐阶段 (SFT: Supervised Fine-Tuning):

总结: