说明
此微调仅用于测试思维链，即CoT（Chain-of-Thought）的效果，而我在理解CoT时认为CoT的重点在于思维发散，所以我对CoT语料做了一些改进，我把这种改进后的CoT称为**DCoT（Divergent-Chain-of-Thought）**即发散性思维链。
此微调也用于测试这一改进，在进行state tuning微调之前我其实尝试过lora微调，但是指令遵循却不尽人意，语料和模型的契合度太高，初始loss就很低，导致可能模型学不到格式这一点，所以我最后决定使用state tuning这一peft方法进行微调，同时这也是保证RWKV模型对格式进行遵循的最好方法之一，并且它能保证模型不会因为微调而遗忘（因为不会微调模型本身权重）。
PS: state tuning ≈ prompt tuning, prefex tuning
微调配置
微调使用autodl上租赁的单卡A40 48G。
配置项 | 说明 |
|---|
| 语料（已开源） | 使用5904条基于Gemini-1.5-Pro蒸馏出的单轮DCoT语料，经过人工正则批量筛洗，每条语料的长度在2000-4820token之间，大部分回答集中在2000token以上。
此数据集只包含了一些chat提问，如：
“Java是什么？”
“老鼠喜欢吃奶酪吗？”
这样的问题，不包含数学，格式，角色扮演等prompt。 |
| peft | state tuning |
| quant | 使用int8量化微调 |
| micro batch size | 4 |
| gradient accumulation | 2，以保证微批次和梯度累计相乘最少达到8，增强模型微调效果 |
| loss mask | 启用 |
| lr | state tuning微调标准值：1-0.01 |
| finetune epoch | 2 |
| finished loss | 0.549287 |
结论
微调DCoT（或者CoT）可以用于展示其思考过程以得知模型理解什么，不理解什么，同时，一定程度上可以增强模型能力，但是如果模型本身就没有在预训练中包含的内容，这样的思考只会让你看到奇怪的中间过程
当然，我也测试过热门问题，如：“9.8和9.11哪个大？”这样的问题在RWKV的过程表示中则显得更加奇怪，甚至有时不会回答大或者小。
这基本归咎于RWKV6-v2.1数据集的数学知识很少，除了和训练语料有关系，和词表也有关系，在RWKV6的词表中，从0-99的数字都有一个对应的词元，这显然会让模型分不清0-99之间的区别，以及如“1122”这样的数字和其它如“119”的区别，这样的词表和语料问题共同导致了RWKV6的数学能力低下的发生。
如图：
image/png
image/png
image/png另外，模型的最终回答似乎并不一定会遵守之前的思考过程，可能会在最终回复时回复完全不同的内容，这点在使用prompt让Gemini-1.5-pro，GPT4o，gemma2-27B，Claude3.5Sonnet等闭源或者开源大模型进行思考时也会出现，个人认为这是因为模型只思考一次，在回答时发现之前的思考只考虑了回答提问的因素，与自身道德，回复逻辑不够相符，所以完全不依赖思考过程，重新回答了一遍，在此情况下，以上思考完全作废。
但是，因为我对CoT进行了调整，主要目的从分步执行转变为了思维发散，所以我认为可以通过多次发散思维并进行多步CoT得到多个思考过程，让模型进行路由选择可以极大幅度降低此问题的触发概率，而缺点则是会极大程度降低输出速度。
运行方式
附展示回答图
image/png
image/png
