大规模语言模型微调技术——Instruction和Question的区别和联系

sockstack / 284 / 2024-02-27 00:02:37

<p><span style="color: red; font-size: 18px">ChatGPT 可用网址，仅供交流学习使用，如对您有所帮助，请收藏并推荐给需要的朋友。</span><br><a href="https://ckai.xyz/?sockstack&section=detail" target="__blank">https://ckai.xyz</a><br><br></p> <article class="baidu_pl"><div id="article_content" class="article_content clearfix">
<link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/kdoc_html_views-1a98987dfd.css">
<link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-25cebea3f9.css">
<div id="content_views" class="markdown_views prism-atom-one-light">
<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg><h1>
<a id="1__0"></a>1. 引言</h1> 
<p>在ChatGPT的时代，每个人都能够轻松使用这一强大的语言模型。这一切的实现速度比我之前所想象的要快得多。这得益于大规模语言模型微调技术，其实并没有引入太多新颖的元素。特别是有了ChatGPT作为引路人，许多事情变得更加容易和简单。尤其是借助LLaMA开源项目为基础，许多模型都是以LLaMA作为基座模型，并通过微调特定的指令数据集来实现与ChatGPT的对齐。</p> 
<h1>
<a id="2__3"></a>2. 微调数据的形式</h1> 
<p>复现ChatGPT有两种主要方法。第一种方法是Claude的方法，基本上是按照ChatGPT的路线进行复现。这种方法的优势在于，由于他们都是OpenAI的前员工，所以复现率在当前各项评测中确实是最完美的。然而，这种方法的积累和成本无法做到人人都能轻松实现。另一种方法是依赖ChatGPT的快速复现法，其中Alpaca和Vicuna是代表性的模型。虽然它们都以LLaMA作为基座模型，但Vicuna模型的性能比Alpaca更强。这其中的原因涉及多个方面。</p> 
<p>首先，Alpaca试图从源头模拟ChatGPT的生成过程，并通过指令微调来达到与ChatGPT相似的性能。它在数据集创建上借鉴了ChatGPT的能力。Alpaca的微调数据主要是通过自我指导生成的合成指令数据集。与之相反，ChatGPT的指令数据集完全来自真实的人类用户，这使得ChatGPT的指令质量更高，更符合用户意图的分布。而Alpaca只是模拟了这种指令数据集的生成过程。</p> 
<p>另一方面，Vicuna直接蒸馏了用户和ChatGPT之间的对话。这一方法一方面获得了用户真实意图分布的信息，另一方面训练和测试场景更加一致，因为它是基于多轮对话的。此外，就数据量而言，Vicuna使用的数据集大小远大于Alpaca使用的数据量。</p> 
<p>此外，还有许多模型遵循这两种训练范式，甚至将它们结合起来。有关更多信息，可以参考LLMZOO。然而，通过观察许多其他大规模语言模型复现的数据集，可以发现它们的格式并不是非常统一。特别是那些以Alpaca为基准的模型，它们的数据集形式各不相同。</p> 
<p>有些模型的训练集就是原始的问答数据集，其数据格式是问答形式，只是在更大的模型上进行微调而已。有些模型的训练集包含Instruction和Input两个部分，但实质上并没有本质上的改变，因为它们的Instruction在整个数据集上都是一模一样的。这种方式也存在一些问题。而有些模型的训练集则遵循了Alpaca的方式，确实包含Instruction和Input两个部分。然而，关于问答和指令之间的区别和联系，一直困扰着我。它们对整个模型训练的影响究竟有何区别？</p> 
<h1>
<a id="3_QuestionInstruction_14"></a>3. Question和Instruction的区别</h1> 
<p>问答（QA）和指令（Instruction）是人机交互中最常见的形式之一。QA是指一问一答的形式，通常是用户提问，模型给出回答。而Instruction则源自于Prompt Engineering，将问题拆分为两个部分：Instruction用于描述任务，Input用于描述待处理的对象。以下是两种形式的例子：</p> 
<p>问答（QA）格式用于训练模型在给定问题下提供答案。一般而言，QA训练数据包含一系列问题和相应的答案。例如：</p> 
<pre><code>Q: 什么是人工智能？
A: 人工智能是指由人造出来的系统表现出的、原本被认为只有人类才会表现出的智能行为。
</code></pre> 
<p>这种格式适用于训练问答系统，或者任何需要模型理解问题并提供准确答案的任务。</p> 
<p>指令（Instruction）格式用于训练模型按照给定指示执行任务。例如：</p> 
<pre><code>I: 将以下句子翻译成英文：我爱学习人工智能。
O: I love learning artificial intelligence.
</code></pre> 
<p>这种格式的训练数据适用于训练生成模型，尤其是在需要模型执行具体任务（如翻译、写作、代码生成等）时。</p> 
<p>因此，问答（QA）格式的训练数据通常用于训练模型回答基于知识的问题，而指令（Instruction）格式的训练数据更适用于训练模型执行具体任务。</p> 
<h1>
<a id="4_QuestionInstruction_37"></a>4. Question和Instruction的联系</h1> 
<p>然而，这并非是一个强制性规定，因为许多任务可以被表述为问题或指令。例如，你可以将"将以下句子翻译成英文：我爱学习人工智能"表述为一个问题，比如"我爱学习人工智能"这句话的英文是什么？反之，你也可以将"什么是人工智能？“表述为一个指令，比如"解释下面名词的含义：人工智能”。</p> 
<p>将问题转化为指令可能有助于模型更好地理解任务的目标，尤其是在任务需要执行特定操作时。例如，对于问题"请解释VC银翘片和双黄连口服液之间的区别"，我们可以将其拆分为以下两部分：</p> 
<p>指令（Instruction）：请解释下面两个药品之间的区别。<br> 输入（Input）：VC银翘片和双黄连口服液。</p> 
<p>在这个例子中，模型需要解释两种药品之间的区别。通过将问题转化为指令，模型可能更容易识别任务的关键部分，比如在这个例子中，需要解释的是两种药品的名称。</p> 
<p>此外，指令的形式可能使模型具有更好的泛化能力，因为它强调了任务的性质，而不仅仅是特定的输入。例如，在"请解释下面两个药品之间的区别。VC银翘片和双黄连口服液"这个例子中，模型可能会学会对任何给定的两种药品进行类似的比较和解释，而不仅仅是针对VC银翘片和双黄连口服液。</p> 
<p>当然，选择使用哪种格式通常取决于具体需求，包括任务类型、模型的预期行为，以及训练数据的可用性。对于某些任务，混合使用这两种格式的训练数据可能会产生最佳结果。</p> 
<h1>
<a id="5__52"></a>5. 现有模型的一些想法</h1> 
<p>随着越来越多的"速成"chatGPT模型的出现，指令微调的方法逐渐变得普遍，并且越来越多的人开始尝试在下游任务上应用这种方法进行评测。接下来有几个问题需要进一步验证：</p> 
<ol>
<li>指令微调的方法是否适用于下游任务？</li>
<li>是否需要在之前的一些自然语言理解任务上评测现有的大模型性能？</li>
<li>通过指令微调的方法到底提升了模型的哪些性能方面？</li>
</ol> 
<p>关于第一个问题，指令微调的方法未必适用于所有下游任务。正如之前的分析所述，指令微调的目的是完成特定任务，而不是更好地完成任务。真正能够完成任务的能力仍然需要通过语言建模任务来学习。事实上，从本质上来说，目前的大模型和之前的模型并没有太大区别，即使它们展现出非常高级的自然语言理解能力，最终还是通过语言建模来实现的，只是表现得更像真正理解文本的能力。因此，指令微调对于完成特定任务是有效的，但是对于提升特定任务的性能而言，则取决于具体任务的形式。如果是自然语言生成任务，例如摘要、续写、翻译，甚至生成式信息抽取等，那么其实和语言建模没有太大区别，持续的训练对于模型性能的提升是有帮助的。如果是一些判别任务，例如分类、选择题等，可能只需要少量的样例训练就可以让模型输出特定格式的结果，但增加训练样本数量未必能增强模型的性能，这取决于任务是否更接近生成任务。当然，如果只想追求解码上的固定格式，可以使用引导（Guidance），前提是能够获取整个模型的输出概率分布。</p> 
<p>对于第二个问题，我认为评测的方式取决于模型是基于chat化的还是非chat化的，评测的角度是考虑知识还是交互。个人而言，如果关注的是知识方面，更重要的是评测基座模型，即非chat化的模型，因为chat本身只是让模型按照用户指令进行交互，并不能代表任务的好坏。当然，如果有强化学习和人类反馈的训练，这可能会提升性能，前提是用户的反馈具有指导性，而不仅仅是价值观和偏好性的对齐。对于chat化的模型，我认为应该从交互或对话等方面进行评估，纯粹的题目解答评估可能对chat系列模型不利。目前，我也在这个问题上进行研究。</p> 
<p>对于第三个问题，指令微调到底提升了模型的哪些性能方面。通过前面的讨论，我初步得出的结论是，指令微调显著增强了模型按照指令执行任务的能力。然而，对于任务的执行质量，可能需要继续使用语言建模的方式进行训练才能得到。当然，关于上述三个问题，我相信关于Instruction的研究已经有一些结论了，只是在复现ChatGPT系列模型下，这些问题可能变得更加尖锐。</p> 
<p>至于其他的研究方式，你可以查看最近ACL和EMNLP等会议上录用的论文，了解当前的研究进展。</p> 
<h1>
<a id="6__69"></a>6. 小结</h1> 
<p>在ChatGPT时代的指令微调技术正迅速发展，为我们提供了一种更加精确和有效的方式来训练模型执行特定任务。虽然仍然存在一些待验证的问题，比如指令微调在下游任务中的应用性、对现有大模型性能的评测需求以及指令微调对模型性能的具体提升，但这些问题也为我们提供了更多的研究和探索的机会。</p> 
<p>通过不断的实践和研究，我们可以更好地理解指令微调的本质和潜在局限性，并进一步探索其在不同任务和场景下的适用性。这种探索将推动我们对语言模型的理解和应用的进一步深化，为构建更智能、更灵活的模型打开新的可能性。</p> 
<p>在未来的研究中，我们还可以关注其他方式和方法，例如最新的论文和会议上的研究成果，以获取关于指令微调的最新进展和创新思路。这将有助于我们推动指令微调技术的发展，并在语言模型领域取得更大的突破和进步。</p> 
<p>总之，指令微调技术在ChatGPT时代为我们带来了新的机遇和挑战。通过持续的研究和探索，我们将更好地理解和应用这一技术，为语言模型的发展和应用开辟更广阔的前景，进一步推动人机交互和自然语言处理的进步。</p>
</div>
<link href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/markdown_views-98b95bb57c.css" rel="stylesheet">
<link href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/style-c216769e99.css" rel="stylesheet">
</div>
<div id="treeSkill"></div>
</article>

作者

sockstack

许可协议

CC BY 4.0

发布于

2024-02-27

修改于

2025-02-22

上一篇：软件：常用 Linux 软件汇总，值得收藏下一篇：云计算、大数据、人工智能、物联网、虚拟现实技术、区块链技术（新一代信息技术）学习这一篇够了！

尚未登录

大规模语言模型微调技术——Instruction和Question的区别和联系

文章分类

博客重构之路

Spring Boot简单入门

k8s 入门教程

MySQL 知识

NSQ 消息队列

ThinkPHP5 源码分析

使用 Docker 从零开始搭建私人代码仓库

日常开发汇总

标签列表

springboot

hyperf

swoole

webman

php

多线程

数据结构

docker

k8s

thinkphp

mysql

tailwindcss

flowbite

css

前端