隨著大規(guī)模語言模型的日漸強大，人們對 AI 模型提出了倫理道德方面的更高要求。業(yè)界在模型規(guī)模擴展方面具有算力資源優(yōu)勢，但要想讓模型更規(guī)范、可靠，需要學術界的努力。

近日，斯坦?；?Meta 的 LLaMA 7B 模型微調出一個新模型 Alpaca。該研究讓 OpenAI 的 text-davinci-003 模型以 self-instruct 方式生成 52K 指令遵循（instruction-following）樣本，以此作為 Alpaca 的訓練數(shù)據(jù)。研究團隊已將訓練數(shù)據(jù)、生成訓練數(shù)據(jù)的代碼和超參數(shù)開源，后續(xù)還將發(fā)布模型權重和訓練代碼。

• 項目地址：https://github.com/tatsu-lab/stanford_alpaca
• 試用地址：https://alpaca-ai-custom6.ngrok.io/

實驗結果表明，Alpaca 的很多行為都與 text-davinci-003 類似。也就是說，只有 7B 參數(shù)的輕量級模型 Alpaca 性能可媲美 GPT-3.5 這樣的超大規(guī)模語言模型。

我們來看一下 Alpaca 模型是如何做到的。

訓練方法

在學術界的預算條件下，訓練高質量的指令遵循模型面臨兩個重要挑戰(zhàn)：強大的預訓練語言模型和高質量的指令遵循數(shù)據(jù)。

Meta 最近發(fā)布的 LLaMA 系列模型解決了第一個挑戰(zhàn)。對于第二個挑戰(zhàn)，2022 年底的 self-instruct 論文提出使用現(xiàn)有的強大語言模型自動生成指令數(shù)據(jù)。

論文地址：https://arxiv.org/abs/2212.10560

按照這種方法，Alpaca 使用 LLaMA 7B 模型的監(jiān)督學習在 text-davinci-003 以 self-instruct 方式生成的 52K 指令遵循樣本上進行微調。

self-instruct 方法概覽。

Alpaca 的研究團隊首先使用 self-instruct 種子集中的 175 個人工編寫的指令輸出（instruction-output）對，然后用該種子集作為 in-context 樣本 prompt text-davinci-003 來生成更多指令。該研究通過簡化生成 pipeline 改進了 self-instruct 方法，并顯著降低了成本。

該研究共生成了 52K 個不同的指令和相應的輸出作為訓練數(shù)據(jù)，其中使用了 OpenAI 開放的 API，成本不到 500 美元。由于研究團隊已將訓練數(shù)據(jù)開源，對于想要復現(xiàn) Alpaca 的開發(fā)者來說，這500美元就省下了。

有了這個指令遵循數(shù)據(jù)集，該研究下一步使用 Hugging Face 的訓練框架微調了 LLaMA 模型，并利用了 FSDP（Fully Sharded Data Parallel）和混合精度訓練等技術。成本方面，在 8 個 80GB A100 上微調一個 7B LLaMA 模型需要 3 個小時，這對大多數(shù)云計算提供商來說成本不到 100 美元。

模型評估

該研究使用來自 self-instruct 評估集的輸入進行了人工評估，這項工作由 5 名研究團隊的學生完成。該評估集由 self-instruct 論文的作者收集整理，涵蓋了多種面向用戶的 instruction，涉及電子郵件、社交媒體和辦公工具。

在將 text-davinci-003 和 Alpaca 7B 進行 blind pairwise 比較之后，研究者發(fā)現(xiàn)這兩個模型的性能非常相似，并且 Alpaca 略優(yōu)于 text-davinci-003。

從參數(shù)規(guī)模的角度看，Alpaca 遠遠小于 text-davinci-003，移動端甚至也可以運行 7B 的輕量級語言模型。這讓 Alpaca 意義非凡。

除了利用上述靜態(tài)的 self-instruct 評估集，該研究還對 Alpaca 模型進行了交互測試，并發(fā)現(xiàn) Alpaca 的表現(xiàn)通常與 text-davinci-003 相似。

下面是研究團隊測試的兩個例子，結果表明 Alpaca 的輸出良好，并且反映出指令遵循數(shù)據(jù)集的一般風格。例如，Alpaca 輸出的答案通常比 ChatGPT 更簡潔，這和 text-davinci-003 類似。

模型缺陷

實驗中，Alpaca 還表現(xiàn)出語言模型的幾種常見缺陷，包括幻覺、毒性和刻板印象，其中幻覺問題尤其嚴重。

例如在下圖中，Alpaca 回答坦桑尼亞的首都是達累斯薩拉姆，但實際上應該是多多馬。

此外，Alpaca 能夠生成一些看似良好卻包含錯誤或虛假信息的文本，這可能會誤導人們。

Alpaca 可能包含許多與底層語言模型和指令調優(yōu)數(shù)據(jù)相關的其他缺陷。但是，Alpaca 對機器學習社區(qū)仍然具有重要意義，因為它提供了一個相對輕量級的模型，可作為研究重要缺陷的基礎。斯坦福的研究團隊還強調：Alpaca 只可用于學術研究，禁止任何商業(yè)用途。

接下來，斯坦福的研究團隊會進一步探究 Alpaca 模型的安全性、理解能力、規(guī)模擴展等等。研究團隊希望 Alpaca 能夠促進指令遵循模型的發(fā)展。