盘点！Instruction Tuning 时代的大模型

作者：小蓝xlanll | 2024-05-17 07:23:23

踩

instruction learning instruction-tuning

format,png

作者 | Kevin吴嘉文

整理 | NewBeeNLP 公众号

https://zhuanlan.zhihu.com/p/616830127

Alpaca，ChatGLM 等模型的效果可以接受，下文总结部分笔记，为训练自定义小型化（7B）模型提供点知识储备。包括模型论文 LaMDA, Muppet, FLAN, T0, FLAN-PLAM, FLAN-T5

LaMDA

论文：Language Models for Dialog Applications

LaMDA 没用到 Instrcution Tuning，但下文中部分模型基于 LaMDA 进行微调。

模型：大小从 2B 到 137B 不等。

训练数据：在 1.56T words 级别的互联网对话及文档预料上预训练。

训练：

预训练比较普通，比较有意思的在于文中的 6.2 部分外部知识微调："Fine-tuning to learn to call an external information retrieval system"。LaMDA 提出 Tool Set 模块，通过外界模块 进行翻译、数学计算、信息检索 三种功能。在一个对话流程中，TS 的功能如下：

假设用户进行 query，LaMDA 会进行一次普通预测，返回一个可能存在事实错误的答案，该答案通过 prompt 拼接，传入到 LaMDA-Research 模块当中。
Research 模块可以看作一个修正答案回复的模块，是基于 multi-task finetune 而来的，比如信息安全、对话质量等任务。该模型能够生成两种类型的回复，一种由 TS 开头，表示当前的 prompt 需要进行 TS 工具来优化回复。第二种由 USER 开头，表示当前回复可以给用户看了。ReSearch 模块是一个循环迭代过程。

微调还针对其他的能力，如 LaMDA 的回复安全性，事实一致性以及质量是通过在 DATASET 上额外训练得来的：

该文发现，占不到预训练数据 0.001% 的额外数据上（算起来也有10M 级别的 Token 了），进行安全和质量训练能够显著提高模型的使用体验。

Muppet

论文：Massive Multi-task Representations with Pre-Finetuning

大规模的多任务学习是很关键的，并且数据集应该在 20 个以上时，多任务学习的收益才会明显 。
使用不同的heads 对应不同预训练任务，不同任务的loss进行 scaling。根据输出维度进行scale 的效果很好：L^{scaled} = \frac L{\log n(i)} ，如二分类任务 N 为 2，生成任务的话 n 为 vocab size。
优化时，对不同任务的 loss 进行累加再进行梯度下降。

FLAN

论文：FINETUNED LANGUAGE MODELS ARE ZERO-SHOT LEARNERS

背景：GPT-3 zero-shot performance 和 few shot 差距大，作者猜测这可能是因为用户提问的 prompt 与实际训练的 prompt 匹配度太低。FLAN 提出通过 instruction tuning 提高 0-shot 能力 。

模型：LaMDA-PT，即 LaMDA 预训练后的模型。137 B，decoder 架构模型。

数据：在 60+ 个 NLP 数据集上进行 instruction tune。

模型规模、数据集数量、instructions 模板（方法）是 instruction tuning 的关键。

instruct tune 的 prompt 设计方式

对于一个任务，设置 10个不同的 template 来构造任务相关数据，这里的 template 可以看作 prompt 的一种形式。同时设置额外 3 个 template 来进行相关任务联系，比如在评论电影情感时候，可能还会要求模型写一些评论。（因此整个数据集大概包括 630 个 prompt）

实验结果：

相对于 GPT-3，FLAN 在 zero-shot 场景的能力得到了很大的提升。
multi-task learning 中涉及的任务或数据集越多，instruction finetuning 的效果提高越大
模型越大， instruction tuning 可能带来 zero-shot 上涌现能力:

T0

论文：Multitask Prompted Training Enables Zero-Shot Task Generalization

模型：使用 LM-adapted T5 （T5+LM）；文中实验了 11B 和 3B 两种规模

数据：预训练 1100 B tokens；微调 250 B tokens；微调涵盖了 2073 个 prompt，涉及到了 177 个 dataset。论文中 appendix G 列出了所有的 prompt。

训练（Instruction Tuning）：

learning rate of 1e-3
参考了 T5（Exploring the limits of transfer learning with a unified text-to-text transformer）对于数据量大于 500000 的数据集，根据 prompt template 的数量来调整采样数。