本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

人工標(biāo)注數(shù)據(jù)告急？

Mata新方法僅用少量種子數(shù)據(jù)，就構(gòu)建了一個(gè)高質(zhì)量的指令遵循（ instruction following）語言模型。

換言之，大語言模型需要大量人工標(biāo)注的指令數(shù)據(jù)進(jìn)行微調(diào)，而現(xiàn)在模型可自動(dòng)從網(wǎng)絡(luò)語料庫未標(biāo)記的文本中推理出指令。

然后用自己生成的指令數(shù)據(jù)進(jìn)行訓(xùn)練，堪比自產(chǎn)自銷。

并且用這種方法訓(xùn)練出的模型在Alpaca基準(zhǔn)測試上，超越開源羊駝及其一系列衍生模型。

LeCun發(fā)推認(rèn)為該研究在模型自對齊方面具有轟動(dòng)性：

用網(wǎng)友的一句話總結(jié)：

羊駝開始自我訓(xùn)練了。

兩句話總結(jié)是這樣?jì)饍旱模?/p>

原本需要指令>響應(yīng)數(shù)據(jù)集（需要人工標(biāo)注），現(xiàn)在只需要簡單訓(xùn)練一個(gè)“反向模型”做響應(yīng)>指令。任何文本可隨意轉(zhuǎn)換為指令數(shù)據(jù)集。

還有網(wǎng)友發(fā)出靈魂拷問：

是只有我一個(gè)人，覺得這看起來像是通往超級(jí)智能的道路？如果你不需要額外的高質(zhì)量外部數(shù)據(jù)，就能獲得越來越智能的LLM，那么這就是一個(gè)自我改進(jìn)的封閉系統(tǒng)。

也許只需要一種強(qiáng)化學(xué)習(xí)系統(tǒng)來提供信號(hào)，然后LLM自身的迭代就可以完成其余的工作。

羊駝：我自己搞數(shù)據(jù)訓(xùn)練了一頭鯨

這種可擴(kuò)展的新方法叫做指令回譯，Mata為用這種方法訓(xùn)練出的模型起了個(gè)名字——Humpback（座頭鯨，又稱駝背鯨）。

（研究人員表示，之所以起這么個(gè)名字，是因?yàn)樗婉橊劚车年P(guān)系，而且鯨魚體型更大，對應(yīng)模型規(guī)模更大）

訓(xùn)練一個(gè)Humpback的步驟簡單來說就是，從少量標(biāo)注數(shù)據(jù)開始，使用語言模型生成未標(biāo)注文本所對應(yīng)的指令，形成候選訓(xùn)練數(shù)據(jù)。再用模型評(píng)估數(shù)據(jù)質(zhì)量，選擇高質(zhì)量數(shù)據(jù)進(jìn)行再訓(xùn)練。然后重復(fù)該過程，進(jìn)一步改進(jìn)模型。

如上圖所示，需要準(zhǔn)備的“材料”有：

• 一個(gè)基礎(chǔ)模型——LLaMa
• 一個(gè)由Open Assistant數(shù)據(jù)集中的3200個(gè)示例構(gòu)成的種子數(shù)據(jù)（Seed Data），每個(gè)示例包括一個(gè)指令和對應(yīng)的輸出。
• 從ClueWeb語料中抽取了502K段已去重、過濾、刪除了潛在低質(zhì)量段落的未標(biāo)注文本（Unlabeled Data）。

標(biāo)注示例和語料來源都有了，下一步就是自增強(qiáng)(Self-augment)階段。

研究人員用種子數(shù)據(jù)對基礎(chǔ)模型LLaMa進(jìn)行了微調(diào)，獲得指令預(yù)測模型。然后用這個(gè)指令預(yù)測模型，為未標(biāo)注文本推理出一個(gè)候選指令。之后組合候選指令與文本（指令-輸出對），作為候選增強(qiáng)訓(xùn)練數(shù)據(jù)，也就是上圖中的Augmented Data A。

但還不能用A的數(shù)據(jù)直接訓(xùn)練，因?yàn)槲礃?biāo)注文本本身質(zhì)量參差不齊，生成的候選指令也存在噪聲。

所以需要關(guān)鍵的自管理（Self-curate）步驟，使用模型預(yù)測數(shù)據(jù)質(zhì)量，選擇高質(zhì)量樣本進(jìn)行訓(xùn)練。

具體來說，研究人員使用僅在種子數(shù)據(jù)上微調(diào)的指令模型對候選數(shù)據(jù)打分。滿分五分，分?jǐn)?shù)較高的才會(huì)被挑選出來作為下一輪的候選數(shù)據(jù)。

為了提高模型指令預(yù)測質(zhì)量，研究人員用候選數(shù)據(jù)迭代訓(xùn)練了模型，在迭代訓(xùn)練中，數(shù)據(jù)質(zhì)量也會(huì)越來越好。

此外，在組合種子數(shù)據(jù)和增強(qiáng)數(shù)據(jù)微調(diào)模型時(shí)，他們還使用不同的系統(tǒng)提示標(biāo)記區(qū)分了這兩個(gè)數(shù)據(jù)源：

• 種子數(shù)據(jù)使用提示“Answer in the style of an AI Assistant.”
• 篩選數(shù)據(jù)使用提示“Answer with knowledge from web search.”

進(jìn)行兩輪迭代后，最終模型就新鮮出爐啦。

合并兩種訓(xùn)練數(shù)據(jù)：1+1>2

下面再來看看研究人員的分析結(jié)果：

△種子數(shù)據(jù)和增強(qiáng)數(shù)據(jù)的指令多樣性。內(nèi)圈是常見的根動(dòng)詞，外圈是與其對應(yīng)的常見名詞。

上圖是用8%種子數(shù)據(jù)和13%的增強(qiáng)數(shù)據(jù)統(tǒng)計(jì)的指令多樣性。

可以很直觀地看到，在長尾部分增強(qiáng)數(shù)據(jù)多樣性更強(qiáng)，且增強(qiáng)數(shù)據(jù)與現(xiàn)有的人工標(biāo)注種子數(shù)據(jù)相輔相成，補(bǔ)充了種子數(shù)據(jù)中未出現(xiàn)的類型。

其次，研究人員比較了三個(gè)增強(qiáng)數(shù)據(jù)集：Augmented data，all(無自管理)、、數(shù)據(jù)更少但質(zhì)量更高的

實(shí)驗(yàn)觀察到，盡管數(shù)據(jù)集變小，但伴隨著訓(xùn)練數(shù)據(jù)質(zhì)量的提升模型性能也有了很好的提升。

△使用自篩選評(píng)估不同數(shù)據(jù)大小和質(zhì)量的自增強(qiáng)數(shù)據(jù)。y軸表示在使用給定數(shù)據(jù)大小和質(zhì)量微調(diào)LLaMa 7B時(shí)與text-davinci-003的勝率。

（text-davinci-003，一種基于GPT-3的指令遵循模型，使用強(qiáng)化學(xué)習(xí)在人類編寫的指令數(shù)據(jù)、輸出、模型響應(yīng)和人類偏好上進(jìn)行了微調(diào)）

最后來看一下Alpaca排行榜上的結(jié)果。Humpback在不依賴蒸餾數(shù)據(jù)的情況下，表現(xiàn)明顯優(yōu)于其它方法，并且縮小了與專有模型之間的差距。

非蒸餾（Non-distilled），指不依賴于任何外部模型作為任何形式監(jiān)督的訓(xùn)練模型；蒸餾（Distilled），指在訓(xùn)練過程中引入更強(qiáng)大的外部模型，例如使用從外部模型蒸餾的數(shù)據(jù)；專有（Proprietary），指使用專有數(shù)據(jù)和技術(shù)進(jìn)行訓(xùn)練的模型。

△相對于text-davinci-003的勝率

在與開源模型LIMA 65B、Guanaco 65B、Falcon-Instruct 40B和專有模型davinci-003、Claude的比較中，Humpback的表現(xiàn)也都更符合人類偏好。

此外，研究人員還指出了該方法的局限性：

由于用于訓(xùn)練的文本數(shù)據(jù)來自網(wǎng)絡(luò)語料庫，微調(diào)后的模型可能會(huì)放大網(wǎng)絡(luò)數(shù)據(jù)的偏差。雖然和基礎(chǔ)模型相比，微調(diào)后的模型提高了檢測偏差的準(zhǔn)確性。然而，這并不意味著會(huì)完全解決這個(gè)問題。

傳送門：https://arxiv.org/abs/2308.06259（論文鏈接）