弱智吧竟成最佳中文AI訓(xùn)練數(shù)據(jù)？！中科院等：8項(xiàng)測試第一，遠(yuǎn)超知乎豆瓣小紅書
離大譜了，
弱智吧登上正經(jīng)AI論文，還成了
最好的中文訓(xùn)練數(shù)據(jù)？？
具體來說，使用弱智吧數(shù)據(jù)訓(xùn)練的大模型，跑分超過百科、知乎、豆瓣、小紅書等平臺，甚至是研究團(tuán)隊(duì)精心挑選的數(shù)據(jù)集。
?
在問答、頭腦風(fēng)暴、分類、生成、總結(jié)、提取等8項(xiàng)測試中取得最高分。
?
沒錯(cuò)，論文中的Ruozhiba就是指百度貼吧弱智吧，一個(gè)充滿荒謬、離奇、不合常理發(fā)言的中文社區(qū)，畫風(fēng)通常是這樣的：
最離譜的是，弱智吧AI代碼能力也超過了使用專業(yè)技術(shù)問答社區(qū)思否數(shù)據(jù)訓(xùn)練的AI，這下吧友自己都鬧不明白了。
其他平臺圍觀網(wǎng)友也紛紛蚌埠住。
這項(xiàng)研究來自中科院深圳先進(jìn)技術(shù)研究院、中科院自動(dòng)化研究所，滑鐵盧大學(xué)等眾多高校、研究機(jī)構(gòu)聯(lián)合團(tuán)隊(duì)。
作者之一也現(xiàn)身評論區(qū)，透露使用弱智吧數(shù)據(jù)訓(xùn)練AI屬于靈機(jī)一動(dòng)，以前只用來測試。
弱智吧數(shù)據(jù)究竟如何達(dá)成這一成就，具體到論文中看。
弱智發(fā)言成指令微調(diào)神器
這項(xiàng)研究起初為解決中文大模型訓(xùn)練中的諸多問題：
- 中文數(shù)據(jù)集很多是從英文翻譯過來的，沒有很好地契合中文的語言習(xí)慣和文化背景
- 不少數(shù)據(jù)集是用AI生成的，質(zhì)量難以保證，容易出現(xiàn)事實(shí)性錯(cuò)誤
- 即使是人工標(biāo)注的數(shù)據(jù)集，也存在數(shù)據(jù)量小、覆蓋領(lǐng)域不全面等問題
為了解決這些痛點(diǎn)，團(tuán)隊(duì)從中文互聯(lián)網(wǎng)的各種知識源頭直接收集數(shù)據(jù)，比如知乎、豆瓣、百科、小紅書等，經(jīng)過一系列嚴(yán)格的清洗和人工審核，打造成高質(zhì)量、多樣化的中文指令微調(diào)數(shù)據(jù)集COIG-CQIA。
除了探索不同數(shù)據(jù)源的作用，團(tuán)隊(duì)還專門從中抽取出一個(gè)精華子集CQIA-Subset。
在眾多數(shù)據(jù)來源中，弱智吧成了最特別的一個(gè)。
由500個(gè)點(diǎn)贊最高的帖子標(biāo)題+人工或GPT-4的回復(fù)組成指令微調(diào)數(shù)據(jù)集， 經(jīng)過人工審核后，最終留下了240組指令-回復(fù)數(shù)據(jù)對。
分別用各種數(shù)據(jù)集訓(xùn)練零一萬物Yi系列開源大模型，在BELLE-Eval測試集上使用GPT-4評分得到結(jié)果。
在規(guī)模較小的Yi-6B模型上，純?nèi)踔前砂姹究偡峙琶谌?，還不算太突出。
看來小模型還沒能領(lǐng)悟弱智的精髓。
到了Yi-34B，弱智吧版本表現(xiàn)就一騎絕塵了。
只有在改寫和數(shù)學(xué)任務(wù)上沒能取得最高分，但成績也比較靠前。
另外，在安全評估上弱智吧版本也能排上第二。
對于這類現(xiàn)象，研究人員在分析中也給出簡單猜測：
可能是弱智吧問題
增強(qiáng)了AI的邏輯推理能力，從而使指令遵循任務(wù)受益。
當(dāng)然弱智吧并不是這項(xiàng)研究的全部，它的真正貢獻(xiàn)在于為中文大模型開發(fā)提供了一個(gè)高質(zhì)量的指令微調(diào)數(shù)據(jù)集COIG-CQIA。
通過對各種中文互聯(lián)網(wǎng)數(shù)據(jù)源的探索，這項(xiàng)研究為構(gòu)建中文指令數(shù)據(jù)集提供了很多有益的啟示。比如社交媒體數(shù)據(jù)雖然開放多樣，但也存在不少有害信息風(fēng)險(xiǎn)；而百科類數(shù)據(jù)專業(yè)性強(qiáng)，但覆蓋面可能不夠廣。
弱智吧上大分
這項(xiàng)研究一發(fā)，網(wǎng)友集體笑不活。除了“XSWL、思路開闊了”嬸兒的純圍觀，也有網(wǎng)友認(rèn)真討論起了弱智吧有如此奇效的原因。
大伙兒都比較認(rèn)可的一個(gè)原因是弱智吧題目的“異質(zhì)”。
像腦筋急轉(zhuǎn)彎，增加了指令多樣性，所以提升了模型最終性能：
通用數(shù)據(jù)集多半已經(jīng)在pretrain階段見過了，再訓(xùn)一遍只會加重overfitting。
另一個(gè)原因是弱智吧數(shù)據(jù)文本質(zhì)量很高，用詞準(zhǔn)確且簡潔。
千言萬語匯成一句話：把弱智吧只當(dāng)簡單的段子合集真的是嚴(yán)重低估了它的價(jià)值！
雀食，要不此前弱智吧問題也經(jīng)常被大伙兒用來測試大模型呢。事實(shí)上從ChatGPT誕生之初，弱智吧就深度參與了大模型的發(fā)展，可以算是這一波AI浪潮的重要見證者了。
一開始只是網(wǎng)友拿來拷打AI，搞搞節(jié)目效果。
后來大家發(fā)現(xiàn)，弱智吧問題中充滿陷阱，剛好可以用來分辨AI能力高低。
還記得23年初那會兒，各家大模型第一版還不太能很好應(yīng)對這類問題，如2023年3月的文心一言：
后續(xù)版本也漸入佳境了，如2023年8月的文心一言：
直到今天，弱智吧問題都是每個(gè)新發(fā)布大模型都必須要過的一關(guān)，被戲稱為弱智吧Benchmark。
△
秘塔寫作貓
△
Inspo
再后來，AI公司們自己也開始重視起來，如百度官方就搞過聯(lián)動(dòng)直播。
當(dāng)初網(wǎng)友為了調(diào)戲大模型專門搜集的弱智吧問題測試集，沒想到有一天也能搖身一變，成了訓(xùn)練集。
本文轉(zhuǎn)自 量子位 ，作者：量子位
