首页
/ OpenRLHF项目中训练Yi-34B-Chat模型时遇到的Tokenizer问题解析

OpenRLHF项目中训练Yi-34B-Chat模型时遇到的Tokenizer问题解析

2025-06-03 15:10:03作者:庞队千Virginia

在基于OpenRLHF框架进行Yi-34B-Chat模型的DPO(Direct Preference Optimization)训练过程中,开发者可能会遇到一个典型的数组越界错误。该错误表现为在模型训练初期即抛出"Array out of bounds"异常,具体错误信息显示为"Assertion srcIndex < srcSelectDimSize failed"。

问题现象

当使用train_dpo_llama_34b.sh脚本对Yi-34B-Chat模型进行DPO训练时,系统会报出以下关键错误:

  1. 核心断言失败:srcIndex < srcSelectDimSize
  2. 错误发生在数据处理阶段
  3. 即使用户未修改任何Tokenizer相关代码,问题依然出现

问题根源

经过技术分析,该问题的根本原因在于HuggingFace Tokenizer的快速模式(fast mode)与Yi系列模型的兼容性问题。Yi-34B-Chat模型使用的特殊Tokenizer在快速模式下可能会产生不兼容的索引处理方式,导致在数据加载阶段出现数组越界。

解决方案

OpenRLHF项目组提供了两种等效的解决方案:

  1. 代码修改方案: 在openrlhf/utils/utils.py文件中,修改Tokenizer的初始化参数:

    tokenizer = AutoTokenizer.from_pretrained(
        pretrain, 
        trust_remote_code=True, 
        use_fast=False,  # 关键修改
        **sp_tokens
    )
    
  2. 命令行参数方案: 在运行train_dpo.py脚本时添加禁用快速Tokenizer的参数:

    --disable_fast_tokenizer
    

验证与效果

应用上述解决方案后:

  • 模型训练可以正常启动
  • 不再出现数组越界错误
  • 训练过程中的loss曲线显示正常(初期loss值在0.6左右波动属于正常现象)

技术建议

对于大模型训练中的Tokenizer相关问题,建议开发者:

  1. 优先考虑禁用快速Tokenizer模式,特别是使用非主流模型架构时
  2. 注意观察训练初期的accuracy均值(acc mean)而非仅关注loss值
  3. 对于Yi系列等国产大模型,需要特别注意其特殊的Tokenizer实现可能带来的兼容性问题

该问题的解决体现了OpenRLHF框架良好的可扩展性,能够通过简单的配置调整适配不同架构的大模型训练需求。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8