人工标注数据告急？

论文链接：https://arxiv.org/abs/2308.06259

Mata新方法仅用少量种子数据，就构建了一个高质量的指令遵循（ instruction following）语言模型。

换言之，大语言模型需要大量人工标注的指令数据进行微调，而现在模型可自动从网络语料库未标记的文本中推理出指令。

然后用自己生成的指令数据进行训练，堪比自产自销。

并且用这种方法训练出的模型在Alpaca基准测试上，超越开源羊驼及其一系列衍生模型。
LeCun发推认为该研究在模型自对齐方面具有轰动性：


用网友的一句话总结：
羊驼开始自我训练了。

两句话总结是这样婶儿的：
原本需要指令>响应数据集（需要人工标注），现在只需要简单训练一个“反向模型”做响应>指令。任何文本可随意转换为指令数据集。


还有网友发出灵魂拷问：

是只有我一个人，觉得这看起来像是通往超级智能的道路？如果你不需要额外的高质量外部数据，就能获得越来越智能的LLM，那么这就是一个自我改进的封闭系统。

也许只需要一种强化学习系统来提供信号，然后LLM自身的迭代就可以完成其余的工作。


羊驼：我自己搞数据训练了一头鲸

这种可扩展的新方法叫做指令回译，Mata为用这种方法训练出的模型起了个名字——Humpback（座头鲸，又称驼背鲸）。

（研究人员表示，之所以起这么个名字，是因为它和骆驼背的关系，而且鲸鱼体型更大，对应模型规模更大）


训练一个Humpback的步骤简单来说就是，从少量标注数据开始，使用语言模型生成未标注文本所对应的指令，形成候选训练数据。再用模型评估数据质量，选择高质量数据进行再训练。然后重复该过程，进一步改进模型。


如上图所示，需要准备的“材料”有：

  • 一个基础模型——LLaMa
  • 一个由Open Assistant数据集中的3200个示例构成的种子数据（Seed Data），每个示例包括一个指令和对应的输出。
  • 从ClueWeb语料中抽取了502K段已去重、过滤、删除了潜在低质量段落的未标注文本（Unlabeled Data）。
标注示例和语料来源都有了，下一步就是自增强(Self-augment)阶段。
研究人员用种子数据对基础模型LLaMa进行了微调，获得指令预测模型。然后用这个指令预测模型，为未标注文本推理出一个候选指令。之后组合候选指令与文本（指令-输出对），作为候选增强训练数据，也就是上图中的Augmented Data A。
但还不能用A的数据直接训练，因为未标注文本本身质量参差不齐，生成的候选指令也存在噪声。
所以需要关键的自管理（Self-curate）步骤，使用模型预测数据质量，选择高质量样本进行训练。

具体来说，研究人员使用仅在种子数据上微调的指令模型对候选数据打分。满分五分，分数较高的才会被挑选出来作为下一轮的候选数据。

为了提高模型指令预测质量，研究人员用候选数据迭代训练了模型，在迭代训练中，数据质量也会越来越好。

此外，在组合种子数据和增强数据微调模型时，他们还使用不同的系统提示标记区分了这两个数据源：

  • 种子数据使用提示“Answer in the style of an AI Assistant.”

  • 筛选数据使用提示“Answer with knowledge from web search.”

进行两轮迭代后，最终模型就新鲜出炉啦。

合并两种训练数据：1+1>2

下面再来看看研究人员的分析结果：

△种子数据和增强数据的指令多样性。内圈是常见的根动词，外圈是与其对应的常见名词。

上图是用8%种子数据和13%的增强数据统计的指令多样性。

可以很直观地看到，在长尾部分增强数据多样性更强，且增强数据与现有的人工标注种子数据相辅相成，补充了种子数据中未出现的类型。

其次，研究人员比较了三个增强数据集：Augmented data，all(无自管理)、、数据更少但质量更高的


实验观察到，尽管数据集变小，但伴随着训练数据质量的提升模型性能也有了很好的提升。

△使用自筛选评估不同数据大小和质量的自增强数据。y轴表示在使用给定数据大小和质量微调LLaMa 7B时与text-davinci-003的胜率。

（text-davinci-003，一种基于GPT-3的指令遵循模型，使用强化学习在人类编写的指令数据、输出、模型响应和人类偏好上进行了微调）

最后来看一下Alpaca排行榜上的结果。Humpback在不依赖蒸馏数据的情况下，表现明显优于其它方法，并且缩小了与专有模型之间的差距。

非蒸馏（Non-distilled），指不依赖于任何外部模型作为任何形式监督的训练模型；蒸馏（Distilled），指在训练过程中引入更强大的外部模型，例如使用从外部模型蒸馏的数据；专有（Proprietary），指使用专有数据和技术进行训练的模型。


△相对于text-davinci-003的胜率

在与开源模型LIMA 65B、Guanaco 65B、Falcon-Instruct 40B和专有模型davinci-003、Claude的比较中，Humpback的表现也都更符合人类偏好。


此外，研究人员还指出了该方法的局限性：
由于用于训练的文本数据来自网络语料库，微调后的模型可能会放大网络数据的偏差。虽然和基础模型相比，微调后的模型提高了检测偏差的准确性。然而，这并不意味着会完全解决这个问题。

参考链接：[1]https://twitter.com/jaseweston/status/1690888779878330368/retweets/with_comments[2]https://twitter.com/swayducky/status/1690989046749868032[3]https://twitter.com/ylecun/status/1691149506165747720