从零开始训练一个 LLM，需要大量计算资源和专业能力，而这是大多数组织都不具备的。本章不会讨论如何从头创建模型，而是聚焦于：如何针对你的具体用例，对一个已有的 LLM 进行定制化。我们将介绍几种常见的调优技术，以及在 Kubernetes 上可用于实现和部署相应训练任务的相关技术。首先，我们先简要看看 LLM 是如何被创建出来的，以及"模型定制"在整个流水线中处于什么位置。
LLM 创建概述
不同模型提供方在 LLM 训练技术上的做法差异很大，而且它们通常会大量投入去开发专有方法。大多数伴随模型发布而公开的技术论文，往往都会省略实现细节，因此很难真正复现。DeepSeekV3 的技术论文是一个少见的例外，它提供了异常详细的技术文档。
当前许多创新主要集中在新的模型架构 上，尤其是更高效的 attention 机制。而对于数据集整理方式 以及调优方法，公开细节通常很少。
训练通常从数据清洗 和去重 开始。第一阶段------预训练（pre-training） ------会消耗绝大多数时间与成本：需要使用数千块 GPU，对全部数据进行处理，持续数周之久。这个阶段产出的结果，是一个基础模型（base model / foundation model） 。它能够预测文本，但还不具备对具体任务的理解，也不具备适当的内容边界意识。
下一步是 alignment（对齐） 。它的目标是让 LLM 能够按照人类偏好，以安全且可靠的方式执行任务。这个阶段有点类似于艾萨克·阿西莫夫提出的"机器人三定律"：就像机器人需要一套核心原则，才能确保它们与人类安全互动一样，LLM 也需要一套行为边界，才能在执行任务时避免造成伤害。
对齐阶段需要经过整理的标注数据 以及一种奖励机制，由人类或专门的奖励模型来评估模型响应的质量。
确实可以找到那些只经历了预训练阶段的 base model，但绝大多数公开可用模型其实都已经经历过 alignment，因此它们已经可以用于某一类特定任务。
而模型定制 ，也就是通常所说的 post-training（后训练） ，就是发生在一个已经完成对齐的模型之上。图 6-1 展示了这一创建流水线的高层结构。
图 6-1 LLM 创建流水线
在本章中，你会反复看到诸如 model tuning 、model customization 和 post-training 这些术语在不同上下文中出现（下一侧栏会对这些概念做一个澄清）。
模型调优、模型定制与后训练
Model tuning（模型调优） 是一个比较宽泛的术语，用来泛指各种 fine-tuning 技术，并不专属于 LLM，它同样适用于预测式 AI。
Model customization（模型定制） 是一个更广的概念，它涵盖所有用于修改 LLM 或让 LLM 学会新任务的技术。其中有些方法与传统 fine-tuning 并不相同，甚至可能需要多步流程，包括人工参与。
Post-training（后训练） 指的是 LLM 创建流水线中的那个特定阶段，也就是模型定制发生的阶段。这个阶段可以执行多次，以增量方式向模型注入新的策略或知识。
在本书中，这几个术语经常会被交替使用，因为它们本质上都涉及"修改模型"，而且在 Kubernetes 平台上会带来相似的运维挑战。
LLM 与传统预测式 AI 模型最本质的不同，在于它的通用性 。一个 LLM 可以执行大量不同任务，而传统机器学习模型通常只擅长单一任务。正因如此，我们先讲了推理：因为在很多情况下，你甚至完全不需要训练，只要对一个现有 LLM 做适当适配，就能用于不同场景。
在深入训练技术之前，先弄清楚"什么时候你根本不需要训练"是很有价值的。很多场景其实可以通过其他替代方案解决，从而完全避开训练带来的复杂性与成本。
Prompt 与上下文工程
LLM 真正强大的地方在于：它们在不修改模型本身的情况下就能发挥作用 。通过精心设计输入与上下文，你通常就能达到目标，而无需训练。这些替代方案不只是更简单，在很多场景下，它们甚至就是正确的选择。
Prompt engineering（提示工程） ，就是构造详细且具体的指令（prompt），以引导 LLM 输出的过程。这组指令对提升回答准确性至关重要。如今，这个领域几乎已经发展成一种独立专业：它形成了一整套最佳实践，用于指导人们如何更有效地与 LLM 沟通，从而获得尽可能准确的结果。
有效的 prompt engineering，并不仅仅是说明"任务是什么"，还包括描述以下内容：
- 场景（scenario） ，例如："这是一家名为 ABC 的航空公司"
- 模型应扮演的角色（role） ，例如："你是一个帮助客户的 AI 助手聊天机器人"
- 任务边界（boundaries） ，用于减少幻觉或约束行为，例如："你只能回答与我们公司相关的问题，并且只有在你确定答案时才回答"
这类 prompt 通常由服务提供方预先设置，并以 system prompt 的形式隐藏在最终用户看不到的地方。
不过，system prompt 不能被当作安全控制手段来依赖 ------因为它们可以被 prompt injection 或 jailbreaking 技术绕过。对于有安全要求的生产系统，还必须在应用层实现额外防护，例如输入校验、输出过滤和内容审核。
此外，由于每个 LLM 都只是在一个庞大但有限的数据集上训练出来的，因此 prompt engineering 的另一个重要用途，是把额外数据注入 prompt 中，强制模型在生成时使用这些信息。
基础的、手工式的 prompt engineering，后来逐渐演化为一系列成熟模式，使整个系统变得更强大，甚至可以让模型动态调用工具，以检索信息或执行动作。这正是 AI agent 的核心原则之一，通常被称为 context engineering（上下文工程） 。
之所以叫这个名字，是因为主要的工程工作，实际上都落在了"为 LLM 构造输入上下文"上；而这个过程往往是复杂的、多组件协同的，并且具有迭代性。
当前最广泛采用的上下文增强模式之一，就是 RAG（retrieval-augmented generation，检索增强生成） 。它会根据用户的问题，从外部数据源中检索相关信息，并把这些信息注入上下文。
在 RAG 模式下，额外数据会先通过专门的 embedding 模型，被转化为 embedding 向量并写入向量数据库。当用户请求到来时，系统会先针对向量数据库执行一次查询，通常使用相似度搜索算法（例如 approximate nearest neighbors，近似最近邻）来找出与用户输入在语义上最接近的内容。然后，这些额外上下文会被拼接进 prompt 中，供模型在回答时使用。
这种方案可以帮助注入模型训练时并不存在的外部知识或近期知识 ，例如企业私有数据，或者训练截止日期之后才发布的信息。虽然每个模型的上下文窗口有限，但 RAG 的应对方式并不是试图把整个知识库都塞进去，而是只筛选并注入与当前问题最相关的数据。
图 6-2 展示了一个 RAG 流水线的高层表示。关于 RAG 的实现模式与最佳实践，详见"Retrieval-Augmented Generation"。
如果你想回顾 embedding 相关知识，可以参考"Understanding LLM Fundamentals"，尤其是其中关于 "Prefill" 的部分；不过，即使不复习这些背景知识，也并不妨碍你理解这里的内容。
图 6-2 RAG 流水线示意
像 RAG 这样的方案之所以越来越流行，核心就在于它非常灵活。你可以在几分钟内把新数据写入向量数据库，从而刷新整套方案的"知识"。这一趋势，再加上 agentic AI 模式的普及，正在快速占领相当大一部分原本属于模型定制的空间。
有一点很重要：所有 prompt 与上下文工程技术，既适用于通用模型，也适用于已经调优过的模型 。你完全可以把 RAG 和模型定制结合起来使用。问题从来都不是"二选一"，而是：哪种组合能在性能、成本与可维护性之间，为你带来最好的平衡？
什么时候应该做模型定制
虽然 RAG 与 prompt engineering 很强大，但它们并不总是成本效益最优的方案。
当你需要把知识或行为直接嵌入模型本身时，模型定制就会体现出价值。
通过 prompt 和 RAG 去影响模型行为，确实很强，也常常已经足够。
但这种方式有其局限，在某些场景下，模型定制会是更好的选择。
正如"vLLM Runtime Parameters Tuning"一节所说，较大的上下文窗口会在推理时消耗更多 GPU 显存。
因此，模型定制是控制推理成本的重要手段之一 。它可以把企业的一些核心知识------尤其是那些变化缓慢的知识------直接嵌入模型本身，从而减少每次请求都必须携带大上下文窗口的需要。
举个例子，一家银行可以创建一个定制化模型，把贷款、交易、信用风险等领域知识直接内化到模型里。这些信息变化并不频繁，因此把它们嵌入模型，比起在每次请求时都作为上下文重新提供，要合理得多。这样做的结果，就是更低的推理成本 ，以及潜在上更好的性能表现。
同样的原则也适用于模型大小。一个小而专用的模型（甚至可能是通过 distillation，从大模型蒸馏得到的）可以和一个更大的、未调优模型一样有效，甚至更有效。
这一点在 SLM（Small Language Model，小语言模型） 上尤其重要，因为它们所需的服务资源更少。一个 SLM 通常拥有 80 亿到 160 亿参数，因此在时间和资源受限的情况下，它会是一个很好的调优候选。
模型蒸馏（model distillation） 是另一种思路：用一个更大的 teacher model 去训练一个更小、更高效的 SLM，使后者继承前者的知识，同时又只需要更少的计算资源。
既然我们已经理解了何时应该做模型定制，接下来就来看看可以采用哪些具体训练技术。
模型调优
让一个模型持续训练、也就是通常所说的 post-training ，在机器学习领域并不是新鲜事。
在传统预测式 AI 中，模型经常会在第二阶段通过 fine-tuning 的方式，利用新数据对模型进行更新。
而在生成式 AI 语境下，这项工作通常是为了让模型在某个特定领域中更专门化、表现更好，同时通过使用更小、更专用的模型，来降低整个方案的总体成本，而不是一直依赖那些更大、更昂贵的模型。图 6-3 展示了一个高层流程：如何通过 fine-tuning，把新知识嵌入原始模型。
图 6-3 Fine-tuning 概念图
尽管 fine-tuning 相比 pre-training 的复杂度与成本要低一个数量级，但它仍然可能需要运行很多小时，甚至好几天。
不过，在某些情况下，根本不需要做完整 fine-tuning。比如，用户可能只是想缩小模型应该回答的领域范围------这有点类似前面提到的 prompt engineering 用例，只不过现在这类能力变成了模型的内建特性 ，并且更不容易受到外部攻击影响。
这一类更轻量的方法，被统称为 PEFT（Parameter-Efficient Fine-Tuning，参数高效微调） 。
无论是完整 fine-tuning，还是 PEFT 方法，Hugging Face 都提供了一个 TRL（Transformer Reinforcement Learning） 库，其中包含 SFTTrainer 这个工具类。它可以加载模型，并执行多种调优技术，同时还支持在训练中做评估以计算准确率。
什么是监督式微调（Supervised Fine-Tuning）？
SFTTrainer 里的 SFT，全称是 Supervised Fine-Tuning Trainer 。
之所以在很多场景中提到 fine-tuning 时通常省略 "supervised"，是因为业内默认都知道这里讲的 fine-tuning 指的就是监督式过程。
虽然也存在一些非监督式 fine-tuning 技术，但绝大多数方法都需要有标注的数据作为输入------这些标注数据要么由人类完成，要么由其他模型完成。原因很简单：如果你希望模型学会某种特定策略或知识，那么输入数据集中就必须包含这种你希望模型学进去的特征。
不过，生成式模型所用的标注数据，与分类任务中的标注数据并不相同。
在分类任务中，标签通常是离散类别，例如 spam / not-spam；
而对 LLM 来说，标签则是完整的期望输出文本 。
训练样本通常是输入-输出序列对，例如：
- 输入："Translate to French: Hello"
输出："Bonjour" - 输入："Summarize: [article]"
输出："The article discusses X, Y, and Z."
在训练过程中，模型通过在输出序列的每一步预测"下一个词"，并在预测错误时做调整来学习。
无论是分类还是生成，它们都属于"监督式"训练，因为训练时都提供了正确答案；只不过生成任务预测的是 token 序列，而不是单一类别。
构造监督式输入数据集，通常是一个非常昂贵的过程。
因此，这类精心整理的数据集，其规模往往比预训练时所用的无监督数据集小好几个数量级。
Fine-Tuning
对模型做 fine-tuning，本质上就是继续训练模型，以便把额外知识或任务能力嵌入进去，例如 instruction following、question answering 或 chat 能力。
换句话说，完整 fine-tuning 会修改模型的全部参数，从而产出一个新的独立模型。虽然它是从原模型衍生而来，但它已经被新的训练数据彻底适配过了。
这种做法需要相当可观的标注数据（通常至少要几十万条新样本），才能对模型产生足够强的影响，使其真正学会新概念。
因此，这是一项非常昂贵 的活动。
从 Kubernetes 平台的角度看，它意味着训练阶段需要大量 GPU；而在服务阶段，也需要单独的 GPU 来承载这个新模型，因为在推理时，几乎没有高效方式可以把它与原模型以"分层"或"组合"的形式融合起来。
虽然这在预测式 AI 中是主流做法，但在生成式 AI 里，完整 fine-tuning 面临的挑战更大：
- 数据集准备成本高
- 训练和推理本身都很昂贵
- 还存在 catastrophic forgetting（灾难性遗忘） 风险，也就是模型在学新东西时，把以前学过的知识忘掉了
前面已经提到，可以使用 Hugging Face 的 SFTTrainer 来执行这一类 fine-tuning（见示例 6-1）。
示例 6-1 使用 SFTTrainer 做监督式微调
ini
from datasets import load_dataset
from trl import SFTTrainer
from transformers import AutoModelForCausalLM
train_dataset = load_dataset("json", data_files="my_file.json")
original_model = AutoModelForCausalLM.from_pretrained(...)
trainer = SFTTrainer(
model=original_model,
train_dataset=train_dataset,
)
trainer.train()
trainer.save_model("target_location")其中：
- 加载一个包含新内容的数据集，供模型学习。它可以是 Hugging Face 上的公开数据集，也可以是本地文件。
- 加载模型时所用的函数，与推理时用的是同一个。模型当然可以在线下载，但通常会先在本地准备好。
参数高效微调（Parameter-Efficient Fine-Tuning）
PEFT（Parameter-Efficient Fine-Tuning） 是一组调优技术的统称，它采用的是一种不同于完整 fine-tuning 的思路。
原始模型本身保持不变；相反，系统会构造一些新的层，在推理时与原模型一起组合，从而影响模型行为。
从概念上说，它和 prompt engineering 有点像：两者都试图在不彻底重训模型 的前提下影响模型行为。
但 PEFT 是把"学到的参数"直接嵌入模型架构里，而 prompt engineering 则是在运行时通过文本提示来影响模型。
从 Kubernetes 平台角度看，PEFT 在训练和服务两个阶段都更容易管理：
- 训练阶段只需要更少的数据样本（通常在 100 到 1000 条标注样本之间），因此训练任务更短，对硬件要求也更低。
- 服务阶段也更高效：基础模型可以在运行时与一个或多个调优层动态组合在一起，而且现代推理引擎已经原生支持这一点。
关于高效模型存储，见"OCI Image for Storing Model Data"；
关于推理路由，见"LLM-Aware Routing"。
PEFT 的主要缺点在于：与完整 fine-tuning 相比，它对模型的影响是有限的 。完整 fine-tuning 会修改所有参数，而 PEFT 只会影响其中很小的一部分。
例如，LoRA（Low-Rank Adaptation） 是最流行的 PEFT 算法之一；在一个 Llama 3.1 8B 模型上，LoRA 可能只会调优不到 1% 的总参数。
Hugging Face 专门提供了一个名为 peft 的库，用来收集各种 PEFT 算法，而且它与 SFTTrainer 原生集成（见示例 6-2）。
示例 6-2 使用 SFTTrainer 做 LoRA 微调
ini
from datasets import load_dataset
from trl import SFTTrainer
from peft import LoraConfig
from transformers import AutoModelForCausalLM
train_dataset = load_dataset("json", data_files="my_file.json")
original_model = AutoModelForCausalLM.from_pretrained(...)
lora_config = LoraConfig(...)
trainer = SFTTrainer(
model=original_model,
train_dataset=train_dataset,
peft_config=lora_config,
)
trainer.train()
trainer.save_model("target_location")相比完整 fine-tuning，这里的唯一区别，就是初始化了一个 PEFT 配置（这里是 LoRA）。这个配置里有很多参数，详细说明可参考 Hugging Face PEFT 文档。
启用 PEFT 也很简单：只要把 lora_config 实例作为 peft_config 参数传进去即可。
LoRA 是目前应用最广泛的 PEFT 技术，因此值得进一步解释它究竟是如何工作的，以及为什么它会如此高效。
低秩适配（Low-Rank Adaptation）
LoRA（Low-Rank Adaptation） 的做法是：在训练时冻结原始模型权重 ，只训练一小部分新增参数。
这些新增参数会被组织成较小的矩阵，称为 adapter。这些低秩矩阵学习到权重更新，而它们的乘积会与原始权重结合起来发挥作用。
在传统 fine-tuning 中，训练过程会直接学习一个新的、与原权重同尺寸的完整矩阵，用来表示权重更新。
而 LoRA 则会把这个大的更新矩阵做分解：不是直接学习整个大矩阵，而是学习两个更小的低秩矩阵。当这两个小矩阵相乘时，它们的乘积就近似于原本那个完整更新矩阵。
正是这种分解方式，让训练变得显著更高效。图 6-4 对这一过程做了图形化展示。
图 6-4 LoRA 分解与完整 fine-tuning 的对比
LoRA 适用于大量 LLM，并且还存在许多针对特定场景的变体。
其中两个比较典型的特化版本是：
- X-LoRA ：把这一思路扩展到了 MoE（Mixture-of-Experts） 架构
- QLoRA：结合量化技术，以进一步降低 fine-tuning 过程中的显存需求
LoRA 有两个核心优势：
第一，训练阶段更便宜------无论是时间成本还是硬件成本，都明显低于完整 fine-tuning。
第二，推理阶段也更高效------因为 base model 本身没有被修改，所以 adapter 可以在运行时动态与之组合。
这两个小矩阵（A 和 B）的总大小，通常只相当于原始模型大小的 1% 到 10% 。因此，在只够服务一个 base model 的硬件条件下，你往往可以同时服务一个 base model 和多个 LoRA 微调模型。
图 6-5 展示了 LoRA adapter serving 的示意图。
图 6-5 LoRA adapter 的服务方式
尽管这并不是 LoRA 的典型用法，但你仍然可以把 LoRA adapter 与 base model 合并起来，以便做测试。示例 6-8 展示了如何实现这一点。
如果你想更深入了解 LoRA，Sebastian Raschka 的博客文章 Practical Tips for Finetuning LLMs Using LoRA (Low-Rank Adaptation) 很值得参考。
更高级的调优技术
完整 fine-tuning 和 PEFT 并不是调优模型的全部方式；新的、更复杂的技术还在不断出现。
其中很多新方法都不是单一训练循环，而是多步工作流，甚至会在前一轮迭代中先用模型生成 synthetic data，再拿这些数据进入下一轮训练。
较常见的高级技术包括：
- GRPO（Group Relative Policy Optimization）
- DPO（Direct Preference Optimization）
- 模型蒸馏（model distillation）
- 模型合并（model merging）
- 奖励建模（reward modeling）
本书不会详细展开这些高级方法，因为每一种方法本身都是一个复杂主题，而且它们彼此差异也很大。
例如，GRPO 是 DeepSeek 团队提出的一项创新；而 InstructLAB 则是 IBM Research 提出的一整套 alignment tuning 方法论。
如需进一步了解，可以参考 Hugging Face 的 TRL 库，它把很多这类技术都收录进来了，并为每种方法提供了对应的 trainer 类。
本书的重点在于生成式 AI 的运维挑战 。
从 Kubernetes 平台视角看，这些调优方法通常会表现为：长时间运行、涉及多个部署、绝大多数组件都需要专用 GPU、并且组件间必须安全通信 的复杂拓扑。
而这种通信的安全性，对生产工作负载至关重要，这一点会在"Training Job Security"中展开。
在 Kubernetes 上运行调优任务
在理解了不同调优技术及其权衡之后，下面这一节会转向它们在 Kubernetes 上如何落地运维。
到目前为止，我们已经介绍了创建和调优 LLM 的核心概念：从传统的完整 fine-tuning，到 PEFT，再到更复杂的调优流水线。理解这些不同方法很重要，因为从 Kubernetes 平台角度看，它们会带来不同的影响与挑战。
这一节将从具体实现细节，转向平台需求 。
所有这些调优技术，至少都包含一个需要 GPU 扩展的训练阶段。前几章中讲过的那些用于推理的 GPU 管理原则，在这里大多同样适用。关于如何为 GPU 配置 Kubernetes，以及如何调度依赖 GPU 的工作负载，可回看第 3 章。
虽然为 GPU 工作负载做资源供给并不是新鲜事，但在训练场景下，还有一个额外而巨大的挑战：网络很容易成为系统瓶颈 。
训练任务和推理请求完全不是一回事；即便只是一个 SLM，做调优时所需的硬件资源也往往高于服务同一模型时所需的资源。
因此，一个训练任务通常很可能需要同一节点上的多块 GPU，甚至跨多个节点的多块 GPU（见图 6-6）。
在这种场景下，根据具体所使用的调优方法，系统会在模型执行的每一个"step"之前，把模型的分片权重在所有 GPU 上汇聚起来（特别是在每一层的前向传播和反向传播过程中）。
这会导致 GPU 之间持续不断地进行数据洗牌（data shuffling），而根据模型大小和 GPU 数量不同，这种流量很容易达到每秒数 GB 。
带宽 ，因此成为训练可扩展性的首要挑战。
为解决这个问题，整个软件与硬件栈都必须协同优化：从专用网络接口与协议，到更高效的 kernel 实现，再到 GPU 特定指令。
和推理优化类似，训练也依赖一些能够利用专用 GPU 指令的 kernel 实现，例如 Liger Kernel（针对 Triton 优化） 和 FlashAttention。
图 6-6 多节点训练任务
attention kernel 是一个核心组件，通常被封装在更高层、面向最终用户的库里。
虽然 Hugging Face 提供了很多这类库，例如 Transformers，但也存在其他选择，例如 DeepSpeed 和 NVIDIA 的 Megatron-LM。
尽管这些库在 API 和配置方式上有所不同，但它们几乎都构建在 PyTorch 之上。
而 PyTorch，如今已经成为 LLM 实现中事实上的标准深度学习库。
注意（NOTE）
PyTorch 是一个开源机器学习库，最初由 Meta 创建，现在归属于 Linux Foundation 旗下的 PyTorch Foundation。
它有很多不同用途；但在 LLM 开发语境中，它主要被用作核心深度学习库：像 Hugging Face Transformers 这样的终端用户库，本质上都是基于 PyTorch 构建的，并且已经逐步放弃了对 TensorFlow 或 JAX 等其他深度学习库的支持。
PyTorch 项目包含很多不同的软件包，覆盖从神经网络核心实现，到编译器，再到专门支持分布式训练的 distributed package 等大量能力。
其中，FSDP2（Fully Sharded Data Parallel） 是最常用的、用于把训练任务扩展到多节点的库之一。
无论软件栈还是硬件栈，都还在快速演化。理想情况下，未来这些复杂性会越来越多地被隐藏成实现细节，不再需要平台使用者显式关心。
但优化网络栈仍然是无法绕开的挑战，这一点会在"Network Optimization for Distributed Training"中重点讨论。
而要在大规模上管理这种复杂性，就需要一套专门工具，把分布式训练基础设施从数据科学家的视角中抽象出去，让他们能够专注于模型开发本身。
Kubeflow Trainer
Kubeflow Trainer 是 Kubeflow 生态中的一个组件，专门用于管理 LLM fine-tuning 的扩展与分布式执行。
Kubeflow 项目的目标，是成为 Kubernetes 上 AI 平台的基础设施；它最初源于预测式 AI，如今正在不断演进，以支持生成式 AI 工作负载。
在第 2 章中，我们已经介绍过 Kubeflow 的另一个组件------Kubeflow Model Registry（见"Kubeflow Model Registry"）。
Kubeflow Trainer 的唯一目标，就是管理那些在 Kubernetes 上配置、部署和扩展长时间运行训练任务时所需要的基础构件。
它的 API 是为两类不同角色而设计的：
- 平台管理员（platform administrator） ：通过
TrainingRuntime配置集群与可用资源 - 数据科学家 / AI 工程师 ：通过
TrainJob提交训练任务
由于这两类角色拥有不同技能与工具链，Kubeflow Trainer 还提供了一个 Python Kubeflow SDK ，它可以把 TrainJob 的创建过程抽象起来，让数据科学家不必直接与 Kubernetes 资源打交道。
图 6-7 展示了 Kubeflow Trainer 的完整架构。
图 6-7 Kubeflow Trainer 架构
TrainingRuntime（以及面向全集群配置的 ClusterTrainingRuntime）与推理场景下 KServe 的 ServingRuntime 是对应关系，这一点在"KServe"一节中已经介绍过。
它本质上是一个模板，用来声明某种 runtime（例如 PyTorch）可用，并描述其容器镜像及其他选项。
与 ServingRuntime 类似，TrainingRuntime 只在其所在 namespace 内可见，而 TrainJob 必须与其位于同一 namespace 才能使用它。
而 ClusterTrainingRuntime 则对整个集群可见。
Kubeflow Trainer 支持多种分布式训练框架，例如 PyTorch 、DeepSpeed 、MLX 和 MPI 。
也正因为支持多框架，它要求 TrainingRuntime 必须带有一个 trainer.kubeflow.org/framework 标签。
SDK 会使用这个标签，为对应框架（例如 PyTorch 对应的 torch）及其 trainer 应用正确配置。
这里的 trainer ，指的是那个使用底层框架来定义并执行训练任务的库；它既可以是 BuiltinTrainer ，也可以是 CustomTrainer。
- BuiltinTrainer（例如 TorchTune）会提供一个预定义好的训练脚本，适合一些常见用例，例如 LLM fine-tuning。你只需要给它传入输入数据集和 LoRA 配置等参数即可。它灵活性较低，但上手更容易。
- CustomTrainer 则完全交由用户掌控：用户可以定义一个 Python 函数，把整个训练流程都写进去。这样一来，数据科学家拥有最大灵活性，而管理员只需要定义与之兼容的
TrainingRuntime即可。
TrainJob 对象定义了训练代码，并引用某个 training runtime。正如前面所说，SDK 会把这些配置过程大大简化，因此数据科学家不需要手写这些对象。
当 TrainJob 被创建后，Kubeflow Trainer controller 会把它与 TrainingRuntime 合并，生成一个 JobSet 以及相应的 Kubernetes jobs。
JobSet 是一个 Kubernetes 自定义资源，用来表示一组 Kubernetes job。
它来自一个独立的 JobSet 项目，目标是统一 Kubernetes 上 HPC 与 AI/ML 训练工作负载的部署 API。
Kubeflow Trainer 的安装和其他 Kubernetes controller 一样，比较直接（见示例 6-3）。
示例 6-3 安装 Kubeflow Trainer
ini
export VERSION=v2.1.0
export URL="https://github.com/kubeflow/trainer.git/manifests/overlays"
kubectl apply --server-side -k "${URL}/manager?ref=${VERSION}"
kubectl apply --server-side -k "${URL}/runtimes?ref=${VERSION}"这里：
- 用你希望安装的版本替换变量值，例如
v2.1.0。 - 虽然 Kubeflow Trainer 项目内置了一组
ClusterTrainingRuntime，方便快速上手，但在生产环境中，通常预期是由管理员自己定义一组经过筛选的 runtime。
Kubeflow Trainer 提供了一套内置的 ClusterTrainingRuntime，但它们并不是必须使用的。你完全可以跳过这一步安装，转而使用一个或多个自定义 runtime 来替换这些默认项（见示例 6-4）。
示例 6-4 ClusterTrainingRuntime
yaml
apiVersion: trainer.kubeflow.org/v1alpha1
kind: ClusterTrainingRuntime
metadata:
name: my-torch-distributed-runtime
labels:
trainer.kubeflow.org/framework: torch
spec:
mlPolicy:
numNodes: 1
torch:
numProcPerNode: auto
template:
spec:
replicatedJobs:
- name: node
template:
metadata:
labels:
trainer.kubeflow.org/trainjob-ancestor-step: trainer
spec:
template:
spec:
containers:
- name: node
image: pytorch/pytorch:2.7.1-cuda12.8-cudnn9-runtime 其中：
- 如果你想创建的是 namespace 级别的 runtime，而不是全集群可见的版本，就把
ClusterTrainingRuntime换成TrainingRuntime。 - 数据科学家会通过这里定义的名字来选择自己想用的 runtime。
- SDK 会利用这个 label 来指导
TrainJob的配置。 spec中可以定义很多默认值，例如这里就表示该任务最多只能使用一个节点。- 管理员往往会想控制集群中允许使用的镜像，因此可以把这里的镜像替换成内部定制镜像。该镜像通常和 GPU 厂商绑定；这里这个镜像显然是针对 NVIDIA CUDA 的。
当集群配置完成、TrainingRuntime 已经可用之后，平台管理员的工作基本就完成了。接下来，数据科学家就可以专注于创建训练任务（见示例 6-5）。
示例 6-5 使用 Hugging Face TRL 编写 CustomTrainer 函数
ini
def my_custom_trainer(**kwargs):
from datasets import load_dataset
from transformers import AutoTokenizer, set_seed
from trl import SFTTrainer
# It is not mandatory to set a fixed seed but it is useful for reproducibility
set_seed(kwargs["seed"])
# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(
..., # kwargs[...]
use_fast=True
)
# Load datasets
train_dataset = load_dataset(
..., # kwargs[...]
)
# Initialize Trainer
trainer = SFTTrainer(
model=...,
args=...,
train_dataset=train_dataset,
eval_dataset=...,
peft_config=...,
processing_class=tokenizer,
)
trainer.train()
trainer.save_model(
..., # kwargs[...]
)这里有几点要注意：
- 这个自定义 trainer 函数必须是自包含 的，因此 import 语句也必须写在函数体里。这个例子使用的是 Hugging Face 系列库：
datasets用于加载训练集（以及可选的评估集），transformers用于 tokenizer，trl用于真正的 trainer 类。要注意，这里没有任何 Kubeflow Trainer 专属代码；它只是一个普通的 Python 训练函数，本身就可以被直接调用。 - tokenizer 与被调优的模型是对应的。为了避免训练过程被 tokenizer 成为瓶颈，最好使用支持并发的 fast tokenizer。
- 数据集承载着模型在 fine-tuning 中要学习的新知识。它可以是公开数据集，但更常见的是自定义数据集。
SFTTrainer的初始化方式与前面示例一致。这里就是你选择模型、指定数据集以及配置 PEFT 技术（例如LoraConfig）的地方。train()方法会真正启动训练。像 GPU 数量、worker 数量等硬件配置不在这里指定，而是在创建 job 时再定义（见示例 6-6）。
注意（NOTE）
当你调用 client.train(func=my_custom_trainer) 时，SDK 会把你的 Python 函数序列化，并嵌入到 TrainJob 自定义资源中。
而 TrainingRuntime 所使用的基础容器镜像（其中已经预装了 PyTorch、Transformers、PEFT 等依赖）会在运行时把这个函数反序列化并执行。
这与传统 Kubernetes 工作流很不一样：你不需要 为了修改训练逻辑去重新构建和推送自定义镜像------只需重新运行一遍 SDK 命令即可。
它的代价是：基础镜像必须已经包含你所需的全部依赖，而且你的函数必须是可序列化的（例如 import 只能引用已安装包，不能带复杂闭包）。
在 trainer 函数中定义好训练逻辑和配置后，接下来就可以通过 Kubeflow Python SDK 创建 TrainJob 了。
示例 6-6 通过 Kubeflow SDK 创建 TrainJob
ini
from kubeflow.trainer import CustomTrainer, TrainerClient
client = TrainerClient()
torch_runtime = client.get_runtime("my-torch-distributed-runtime")
job_name = client.train(
trainer=CustomTrainer(
# The custom trainer function is injected here with its parameters
func=my_custom_trainer,
func_args=..., # load_args()
num_nodes=8,
resources_per_node={
"cpu": 4,
"memory": "64Gi",
"nvidia.com/gpu": 1,
},
),
runtime=torch_runtime,
)
client.wait_for_job_status(name=job_name, status={"Running"})
_ = client.get_job_logs(job_name, follow=True)
# It is possible to get all the steps and the status for each of them
# steps = client.get_job(name=job_name).steps
# client.delete_job(job_name) 其中：
- 这个例子里，通过前面定义的函数构造了一个
CustomTrainer，然后由TrainerClient提交对应的TrainJob。 - 硬件需求是在 job 提交时指定的。硬件配置与模型大小以及所采用的调优方式直接相关。这个示例的配置，适合用 PEFT LoRA 去定制一个
Meta-Llama-3.1-8B-Instruct模型。 - client 可以等待某个特定状态出现。这里这是一个阻塞调用，示例中用它来等待 job 进入
Running状态。你还可以拉取日志，或者配置 TensorBoard。TensorBoard 最初来自 TensorFlow 项目，但现在已经兼容包括 PyTorch 在内的多种库。 - 虽然你可以随时删除 job，即便它还在运行中也可以，但这样做也会把
TrainJob对象及其在 Kubernetes 中的关联元数据一并删除。如果你没有外部实验跟踪系统，那么最好保留已完成任务，以便留下训练记录。
一点 YAML 魔法
像示例 6-6 这样的训练任务，需要很多参数，常常超过 10 个。如果 job 创建代码是在 Jupyter Notebook 中运行的------例如借助 Kubeflow Notebooks 组件------那么就可以通过一个叫 yamlmagic 的库，非常方便地管理这些参数。
这个项目是一个 Python 模块，可以通过 pip install yamlmagic 安装，并用 %load_ext yamlmagic 载入。
加载之后，你可以使用一个以 %%yaml my_params 开头的 notebook cell，把参数写成 YAML。
从第二行开始的内容会被解析成 YAML，并自动转成 Python 字典 my_params，可以直接拿来用。示例 6-7 展示了如何在 Jupyter Notebook 中使用 yamlmagic 配置训练参数。
示例 6-7 在 Jupyter Notebook 中使用 yamlmagic 配置训练参数
ini
# In a Jupyter Notebook cell
%load_ext yamlmagic
%%yaml training_config
model_name: meta-llama/Llama-3.2-3B
dataset: openai/gsm8k
num_epochs: 3
learning_rate: 2.0e-4
output_dir: /mnt/models/llama-gsm8k
# Now use the config with Kubeflow SDK
from kubeflow.trainer import TrainingClient
client = TrainingClient()
client.train(
name="llama-math-tuning",
model=training_config["model_name"],
dataset=training_config["dataset"],
num_epochs=training_config["num_epochs"],
learning_rate=training_config["learning_rate"],
output_dir=training_config["output_dir"]
)在 LoRA 示例中，训练过程并不会产出一个新的完整模型；相反，每个保存下来的 checkpoint 都是一个 LoRA adapter ，它可以在运行时动态与 base model 组合。
这正是图 6-5 所描述的那种高效服务多个调优模型的方式。
当然，这并不是最适合高效 serving 的方式；但在某些测试场景中，把 LoRA adapter 与 base model 合并，生成一个新的独立模型仍然很有用。这个场景在示例 6-8 中说明。
示例 6-8 将 LoRA adapter 与 base model 合并
ini
from peft import PeftModel
from transformers import AutoModelForCausalLM
base_model = AutoModelForCausalLM.from_pretrained(
...,
device_map="cuda"
)
finetuned_path = "/opt/app-root/Meta-Llama-3.1-8B-Instruct/checkpoint-100/"
model = PeftModel.from_pretrained(base_model, finetuned_path)
merged_model = model.merge_and_unload()
merged_model.save(...)这里：
- 必须先加载 base model。
device_map参数会让模型直接加载到 GPU 上。 - 你需要知道 LoRA 调优结果存放的路径。训练过程中每经过一个 epoch，都会生成一个新的 checkpoint（也可视作一个 model candidate）；这里例子中选择的是编号为 100 的 checkpoint。
- 当 base model 和 fine-tuned layer 一起被加载之后，就可以通过
merge_and_unload()方法把它们合并成一个新模型。
示例 6-8 从管理员和数据科学家的双重视角，展示了 Kubeflow Trainer 在一个分布式模型定制项目中的协作方式。
而像 /opt/app-root/Meta-Llama-3.1-8B-Instruct/checkpoint-100/ 这样的 checkpoint 路径，显然依赖于持久化存储基础设施，否则它们会随着短暂训练任务结束而消失。
关于训练工作负载的存储解决方案，包括 PersistentVolumes、对象存储和分布式文件系统，可参见"Storage for Training"。
不过，这还只是第一步。
从平台视角看，如何调度这类长时间运行、资源密集型 的工作负载，还需要额外优化，以确保集群公平使用资源，并避免尤其是 GPU 这类昂贵硬件被低效占用。
这里尚未展开的一个重要挑战，就是 gang scheduling（组团调度） 。分布式工作负载往往要求系统中的所有 Pod 同时 部署成功，任务才能正确启动。这是一种典型的"要么全有，要么全无 "语义。
第 7 章会专门聚焦这些平台级优化，其中就包括对 gang scheduling 的独立讨论。
对于数据科学家来说，使用体验要简单得多，因为 Kubeflow 生态能让他们把关注点放在模型定制生命周期本身，而只需有限了解底层 Kubernetes 平台。
提示（TIP）
Kubeflow 项目包含很多组件，用于支持完整的 MLOps 或 LLMOps 生命周期。
例如，"Kubeflow Model Registry"一节已经介绍了 Kubeflow model registry，重点在于模型元数据管理；而本章介绍的 Kubeflow Trainer，则用于支持分布式训练任务。
数据科学家还可以借助另外两个 Kubeflow 组件，来开发和管理 fine-tuning 示例中的 Python 代码：Kubeflow Notebooks 和 Kubeflow Pipelines。
- Kubeflow Notebooks 提供了对基于 Web 的 IDE（例如 Jupyter）的基础设施管理，使数据科学家能够自助式地创建环境，并方便地试验 Kubeflow Trainer SDK。
- 当他们完成实验并定义好训练任务之后，就可以用 Kubeflow Pipelines 把 notebook 转换成一个可复现的 pipeline。这样，这套逻辑就能被多次执行，用于模型再训练；既可以把 notebook 代码拆解成多个独立步骤，也可以直接把 notebook 整体嵌入到 pipeline 中。
其他框架
虽然 Kubeflow Trainer 对绝大多数用例来说已经是一个很完整的方案，但生态中还有若干值得考虑的替代方案。
Kubeflow Trainer 的设计思路，是用 Kubernetes-native 的方式来管理分布式训练任务的生命周期，同时允许平台管理员和数据科学家继续使用各自熟悉的工具。
不过，除了 Kubeflow Trainer 和 Hugging Face 的 TRL 这种偏平台型、以 Kubernetes 为核心的训练方案之外，还有一些项目和库更专注于 fine-tuning 过程本身的效率、速度与资源管理，例如 DeepSpeed 、Unsloth ；此外，结合 KubeRay 的 Ray 也为 Kubernetes 上分布式训练工作负载提供了另一种编排思路。
DeepSpeed
DeepSpeed 是一个深度学习优化库，它封装在 PyTorch 之上，目的是简化训练任务管理。
在 Kubeflow Trainer 中使用 DeepSpeed，与前面的例子非常相似：你只需要选择一个兼容 DeepSpeed 的 TrainingRuntime（例如默认的 DeepSpeed distributed runtime），然后稍微改造一下自定义 trainer 逻辑（见示例 6-9）。
示例 6-9 使用 DeepSpeed 的 trainer 函数
ini
def my_custom_deepspeed_trainer(**kwargs):
from transformers import AutoModelForCausalLM, AutoTokenizer, set_seed
from datasets import load_dataset
from torch.utils.data import DataLoader
from torch.utils.data.distributed import DistributedSampler
import deepspeed
# Initialize DeepSpeed distributed training
deepspeed.init_distributed(dist_backend="nccl")
local_rank = int(kwargs["local_rank"])
# Set seed for reproducibility
set_seed(kwargs["seed"])
# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(..., use_fast=True) # kwargs[...]
# Load datasets
train_dataset = load_dataset(...).with_format("torch") # kwargs[...]
train_loader = DataLoader(
dataset, batch_size=16, sampler=DistributedSampler(dataset)
)
# DeepSpeed configuration
ds_config = {
..., # kwargs[...]
}
# Initialize DeepSpeed engine.
model_engine, _, _, _ = deepspeed.initialize(
model=model,
config=ds_config,
model_parameters=model.parameters(),
)
num_epoch = int(...) # kwargs[...]
for epoch in range(num_epoch):
for batch_idx, batch in enumerate(train_loader):
for key in batch.keys():
batch[key] = batch[key].to(local_rank)
outputs = model_engine(batch)
loss = outputs.loss
model_engine.backward(loss)
model_engine.step()
model_engine.module.save_pretrained(...) # kwargs[...]
tokenizer.save_pretrained(...) # kwargs[...]这里：
- 你必须先初始化分布式训练。这里的
nccl用于 NVIDIA CUDA 硬件，而local_rank是作为训练脚本参数传入的环境变量。 - 示例中用 Hugging Face
datasets库加载数据集，并且可以很方便地转成 PyTorch dataset。 - engine 初始化会返回多个变量，但在这个例子里只需要
model_engine。 - 这个示例中训练循环写得比较显式，清楚展示了 forward pass、loss 计算和 backward pass。
Ray
虽然 Kubeflow Trainer 的灵活性已经足以应对大多数模型定制技术，但它并不是 Kubernetes 上分布式计算的唯一框架；Ray 也是一个有效选择。
Ray 提供了一整套面向 AI 平台的组件生态，之前在"Ray Serve and KubeRay"一节中已经提到过。
它的核心概念（例如 RayCluster，见图 1-5）本身就是通用的，因此同样适用于训练场景。Ray 与 Kubernetes 的集成则由 KubeRay 负责，它提供了所需 API。
这意味着，你可以先部署一个 RayCluster，然后再提交一个 RayJob，去执行一个长时间运行的、多节点的模型定制计算任务。
整体流程与 Kubeflow Trainer 的例子类似：你需要准备一个包含训练逻辑的 Python 脚本，创建 RayCluster（这一点 Kubeflow Trainer 不需要），然后再部署 job。
不过，两者在代码交付方式上存在明显差异：
- Kubeflow Trainer 会把 Python 函数序列化后直接注入资源对象
- Ray 则要求训练脚本已经被打包进容器镜像，或者可通过远程位置访问（例如 Git 仓库、挂载卷）
也就是说，在 Ray 中，RayJob CR 引用的是脚本路径，而不是把代码本身嵌进去。
这意味着：Ray 在代码变更后通常需要重新构建容器，因此它更适合那些本来就已经在使用 Ray 生态的团队；而 Kubeflow Trainer 的做法支持更快的"改完代码立即重跑"，更适合快速实验。
如果你想看一个完整的、基于 DeepSpeed 和 Ray 的 LLM fine-tuning 示例，可以参考 opendatahub-io 仓库中的例子，它使用 CodeFlare SDK 来程序化配置 KubeRay 资源。
警告（WARNING）
要特别注意，不要把 Ray Tune 和 LLM 的"模型调优"混为一谈。
Ray Tune 是一个专门用于超参数调优与优化 的模块，它主要适用于预测式 AI。
在 Kubeflow 生态中，与之对应的项目是 Kubeflow Katib。
虽然 Ray Tune 不是为模型定制而设计的，但你仍然可以把它与 Hugging Face Transformers 结合起来，执行像 Population Based Training（PBT） 这样的超参数优化方法，这一点可参考相关示例。
Unsloth
Unsloth 这个项目专门面向 LLM 定制过程，目标是让它变得简单、快速，并且硬件要求有限 。
它拥有一个非常活跃且规模不小的社区。
虽然它本身并不是为 Kubernetes 上的大规模基础设施而设计的，但它的上手门槛很低，只要作为普通 Python 包在本地安装即可（pip install unsloth）。
从这个意义上说，它有点像 fine-tuning 领域里的 Ollama 或 llama.cpp ------只不过后两者主要面向本地推理。
尽管 Unsloth 本身是作为本地库设计的，但也可以借助 AIKit 项目把它部署到 Kubernetes 上。
经验总结
本章中，我们探讨了模型定制技术：从 prompt engineering，到完整 fine-tuning，再到如何在 Kubernetes 上运行训练任务。
大多数组织都没有足够资源去从零训练 foundation model。
模型定制通常是从一个已经完成 alignment 的基础模型开始的------这种模型已经具备任务理解能力，也已经有了安全边界------然后再通过 post-training 技术进一步专门化。
究竟应该选择 prompt engineering、PEFT，还是完整 fine-tuning，取决于你的数据集规模、可用计算预算，以及你希望对模型行为施加多大程度的改变。
完整 fine-tuning 会修改模型的全部参数，并产出一个新的独立模型。
这意味着在训练和推理两个阶段，它都需要独占的 GPU 资源。
这种方法通常需要几十万条标注样本，训练时间从多天到数周不等，而且往往需要多块 GPU 并行进行。
它还伴随着灾难性遗忘风险，也就是模型可能丢掉此前学会的知识。
从运维角度看，每一个 fine-tuned 模型都会成为一个独立部署制品，并拥有自己独立的 serving 基础设施。
PEFT 技术 ，例如 LoRA，则只修改不到 1% 的模型参数，生成的是一层 adapter，而不是一个完整模型。
这些 adapter 可以在推理时与 base model 动态组合。
训练通常只需要 100 到 1000 条标注样本，完成时间以小时计而不是天计。
多个 LoRA adapter 甚至可以共享同一个 base model deployment，从而降低显存占用，并支持根据请求路由动态选择 adapter。
Kubeflow Trainer 为 fine-tuning 任务提供了 Kubernetes-native API。
其中，TrainJob 自定义资源负责分布式训练协调；而它与 TRL 的 SFTTrainer 以及 Hugging Face PEFT 库的集成，又让训练参数可以声明式配置。
这种分工方式，使平台团队能够专注于任务调度与资源分配，而数据科学家则把精力放在数据集准备与超参数调优上。
它们之间的交接工作流其实很清晰：
平台工程师预先把 TrainingRuntime（包括容器镜像、集群策略、可用资源等）配置成集群级模板；
数据科学家则通过 Kubeflow Python SDK 提交 job，只需给出训练函数、数据集引用、超参数以及资源请求。
SDK 会把这些 Python API 调用翻译成 TrainJob 自定义资源，因此数据科学家无需手写 YAML，也无需直接理解 Kubernetes 原语。
平台团队负责监控 job 执行、管理集群容量，并处理诸如存储供给和网络优化等基础设施问题；而 SDK 则把这些复杂性从数据科学工作流中抽象掉了。
训练任务管理与推理服务在运维模式上有本质不同。
训练 job 是有明确完成条件的批处理工作负载 ，而不是长时间运行的服务。
因此，资源分配更偏向吞吐量而非延迟；checkpoint 管理对于应对抢占和恢复至关重要；而 gang scheduling 则能避免部分资源分配成功、部分失败，导致昂贵 GPU 节点被长时间卡死。
下一章将继续讨论：如何在生产规模上应对这些运维模式，包括 gang scheduling 、拓扑感知放置 、配额管理 和 网络优化。