# fine-tuning-with-trl

Скилл для пост-тренировки языковых моделей через библиотеку TRL: SFT, DPO, PPO и GRPO с готовыми рецептами запуска.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 969 установок · ★ 13956
- Автор: Orchestra Research
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/06-post-training/trl-fine-tuning/SKILL.md
- Обновлён: 2026-10-11
- HTML: https://affpapa.org/nevibecode/skills/fine-tuning-with-trl

## Что делает

Скилл описывает четыре метода пост-тренировки на TRL. SFT дообучает базовую модель на парах «инструкция — ответ», DPO выравнивает её по парам chosen/rejected без отдельной модели награды, PPO и GRPO оптимизируют политику по сигналу награды. Внутри — готовые сниппеты для `SFTTrainer`, `DPOTrainer`, `RewardTrainer` и `GRPOTrainer`, а также CLI-вызовы `trl dpo` и `python -m trl.scripts.ppo`.

Три сценария разложены по шагам. Полный RLHF-конвейер идёт от SFT к обучению reward-модели и затем к PPO, DPO-ветка обходится без reward-модели, а GRPO рассчитан на онлайн-обучение с малой памятью. Для GRPO нужно самому написать функцию награды: она принимает список сгенерированных ответов и возвращает список оценок.

Перед запуском поставьте зависимости: `pip install trl transformers datasets peft accelerate`. Нужен ещё `torch`, и без GPU обучение на реальных моделях растянется надолго — это повод проверить, есть ли у вас подходящее железо. Данные подаются в формате prompt-completion для SFT и chosen/rejected для DPO.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill fine-tuning-with-trl -a claude-code
```
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill trl-fine-tuning -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/trl-fine-tuning/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/trl-fine-tuning/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill trl-fine-tuning -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/trl-fine-tuning/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill trl-fine-tuning -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/trl-fine-tuning/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Orchestra-Research/AI-Research-SKILLs trl-fine-tuning
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/trl-fine-tuning/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill trl-fine-tuning -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/Orchestra-Research/AI-Research-SKILLs --path 06-post-training/trl-fine-tuning
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/trl-fine-tuning/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill trl-fine-tuning -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/06-post-training/trl-fine-tuning/SKILL.md

## Когда брать
- дообучить базовую модель на инструкциях через SFT
- выровнять модель по предпочтениям без обучения reward-модели
- собрать полный RLHF-конвейер из SFT, reward-модели и PPO
- задать свою функцию награды для онлайн-обучения
- оценить выровненную модель после тренировки

## Примеры запросов агенту
- Помоги настроить SFTTrainer для дообучения Qwen2.5-0.5B на датасете инструкций
- Собери DPO-конфиг с beta 0.1 и запусти DPOTrainer на парах chosen/rejected
- Напиши функцию награды для GRPOTrainer и запусти обучение

## Похожие
- [llm-fine-tuning](https://affpapa.org/nevibecode/skills/llm-fine-tuning.md) — скилл · 318 установок
- [trl-training](https://affpapa.org/nevibecode/skills/trl-training.md) — скилл · 909 установок
- [finetuning-method-selection](https://affpapa.org/nevibecode/skills/finetuning-method-selection.md) — скилл · 2600 установок
- [dataset-curation](https://affpapa.org/nevibecode/skills/dataset-curation.md) — скилл · 2600 установок
- [huggingface-llm-trainer](https://affpapa.org/nevibecode/skills/huggingface-llm-trainer.md) — скилл · 2200 установок
- [stable-baselines3](https://affpapa.org/nevibecode/skills/stable-baselines3.md) — скилл · 1900 установок

Из того же набора: [orchestra-research/ai-research-skills](https://affpapa.org/nevibecode/by/orchestra-research/ai-research-skills.md) — 66 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md