使用场景

在押韵任务中，通过可视化工具分析模型生成的诗句是否符合押韵要求，优化训练过程。

在对话生成任务中，监控模型生成的对话质量，通过奖励分布分析模型的收敛情况。

在文本生成任务中，通过 token 级别指标监控，发现并解决模型生成文本中的异常 token 问题。

产品特色

奖励区域可视化：展示训练曲线、得分分布及与参考模型的奖励差异。

响应区域可视化：按奖励、KL 散度等指标排序，分析每个样本的特征。

Token 级别监控：展示每个 token 的奖励、价值、概率等细粒度指标。

支持多种训练框架：与训练框架解耦，可适配任何保存所需指标的框架。

数据格式灵活：支持 .jsonl 文件格式，方便与现有训练流程集成。

可选的参考模型对比：支持保存参考模型的指标，进行 RL 模型与参考模型的对比分析。

直观发现潜在问题：通过可视化手段快速定位训练中的异常样本和问题。

支持多种可视化模块：提供丰富的可视化功能，满足不同监控需求。

使用教程

1. 在训练框架中保存所需的指标数据到 .jsonl 文件中。

2. 将数据文件保存到指定的目录下。

3. 安装工具所需的依赖包（运行 pip install -r requirements.txt）。

4. 运行启动脚本（bash start.sh）。

5. 通过浏览器访问可视化界面，选择数据文件夹进行分析。

6. 使用可视化模块查看奖励曲线、响应排序和 token 级别指标等。

7. 根据可视化结果分析训练过程中的问题，并优化训练策略。

8. 持续监控训练过程，确保模型性能符合预期。