Redian新闻
>
刘知远团队提出:如何通过扩大高质量指导性对话数据集,来提高模型的性能和效率

刘知远团队提出:如何通过扩大高质量指导性对话数据集,来提高模型的性能和效率

科技

深度学习自然语言处理 原创
作者 | 刘嘉玲

随着开源语言大模型(LLM)的百花齐放,模型的性能和效率关乎到产品的成本和服务体验的均衡。那么,有没有办法让语言大模型变得更高效、更优秀呢?

为了进一步提高开源模型的上限,清华大学的研究团队给出了一个答案:通过扩大高质量指导性对话数据,显著提高了模型的性能和效率。如下图所示,UltraLLaMA问鼎LLM榜!

被网友评价:包含150万个高质量,多样化的多回合对话的UltraChat,优于SotA开源模型Vicuna。我们一起仔细读读论文,看看能带来哪些启示~

论文:Enhancing Chat Language Models by Scaling High-quality Instructional Conversations
地址:https://arxiv.org/pdf/2305.14233.pdf
代码:https://github.com/thunlp/UltraChat

进NLP群—>加入NLP交流群

1 论文项目概述

为了进一步提高开源模型的上限,论文提出了一种新的聊天语言模型——UltraLLaMA,它是通过提供多样化、高质量的指令对话数据集UltraChat上微调LLaMA模型得到的,成功提升了聊天语言模型的性能。

图:GPT-4生成的论文架构

2 UltraChat多模态数据集是如何构建的?

构建设计:UltraChat的总体思路是使用单独的LLM来生成开场白、模拟用户和响应查询。UltraChat的三个方案:关于世界的问题、写作和创作、对现有材料的协助都有特点的设计,如下图:

图:UltraChat的构建过程

2.1 关于世界的问题

  • 这部分数据主要关注的是现实世界中存在的概念、对象和实体。
  • 收集这部分数据的方法有两个角度:一个是围绕主题和概念,另一个是围绕现实世界的实体。
  • 请求ChatGPT生成30个涵盖我们日常生活各个方面,具有代表性和多样性的元主题,如下图:
表:30个用于生成超端聊天数据的第一部分的元概念

构建过程

  • 首先,根据这些元主题生成了1100多个子主题;同时从维基数据中收集了最常用的10,000个现实世界的命名实体,比如人物、地点、事件等。
  • 再为每个子主题设计了最多10个具体的问题;每个实体设计了5个基本问题,10个具体问题和20个扩展问题。
  • 然后使用Turbo API为10个问题中的每一个生成新的相关问题。想用这些问题来创建对话,所以从大约500,000个问题中筛选和抽样了一些作为对话的开头。
  • 使用手工制作的prompt来指示模型生成涵盖各种常见概念和对象的各种问题,要求它回答简洁、有意义,并且考虑到对话历史的上下文。
  • 最后对200k个特定问题和250k个一般问题以及50k个元问题进行采样,并迭代地生成多轮的对话。

2.2 写作和创作

  • 这部分的目的是根据用户的指示,自动生成不同类型的写作文本。
  • 使用ChatGPT使其根据用户的指示,生成20种不同类型的写作文本,比如故事、诗歌、论文等。
表:20种类型的用于案例2和3的聊天生成的文本材料

构建过程

  • 对于每种类型的写作,生成200条不同的prompt,让AI助手生成文本材料,其中80%的指令被进一步扩展和细化。
  • 将生成的指令作为初始输入,分别生成2~4轮的对话。

2.3 对现有材料的协助

  • 这部分的目的是根据现有的文本材料,生成不同类型的任务,比如改写、翻译、总结等。
  • 用到包含了大量文本片段和源URL的数据集的C4语料库,和20种故事、诗歌、论文等不同的材料类型。

构建过程

  • 从C4数据集中提取了约10w种不同的材料。
  • 为每种类型设计了一些关键字,得到了根据关键字和URL对文本片段进行归类后的材料。
  • 用ChatGPT为每份材料生成最多5个问题/说明。
  • 将每个问题/指令的材料与一组手动设计的模板结合起来,作为用户的初始输入,开始与 AI 助手的对话。
  • 得到了50万个对话开头,每个对话开头包含了一个文本片段和一个任务指令。对于每个输入,生成 2~4 轮对话。
表:手动设计用于连接现有材料和生成的说明的模板

2.4 数据集评价

UltraChat数据集是一个大规模的多模态对话数据集,它包含了超过100万个对话,每个对话平均包含8轮对话。其中不仅包含了文本信息,还包含了音频、视频和屏幕共享数据。

UltraChat与其他几个指令数据集进行统计分析比较,结果下表所示。

表:现有指令数据集的统计数据
  • UltraChat在规模、平均回合数、每个实例的最长平均长度和词汇多样性方面都优于其他数据集,是最大的开源数据集之一。
  • UltraChat的话题多样性略低于GPT4ALL,但仍高于其他数据集。这可能是因为UltraChat的每个对话包含更多的令牌,而GPT4ALL的每个对话只有一个回合。
  • 评估数据集的连贯性,发现UltraChat和Baize的数据在一致性方面排名最高。

3 UltraLLaMA对话模型有多强大?

模型基本情况

  • 改进LLaMA-13B模型的UltraLLaMA,能够更好地理解对话上下文。
  • 为了使模型能够利用对话前面部分的信息,生成更相关和连贯的回复,研究者们将对话切分为较短的序列,最大长度为2048个标记,并只优化模型响应的损失函数。
  • 使用交叉熵损失和128A100gpu来微调模型,总批量大小为512。

建立评估数据集

  • 构建了一个评估集,包含Vicuna基准和GPT-4生成的300个问题/指令,涉及多个主题和难度等级,如上表所示。
  • 使用TruthfulQA基准来评估模型和基线的世界知识,检测它们是否能够识别真实的陈述,避免产生或传播虚假信息。
  • TruthfulQA基准是一个具有挑战性的测试,包含38个类别和两种评估任务:多项选择题和生成任务。

3.1 模型评价

基线评估

  • 使用ChatGPT来评估UltraLLaMA和其他基线模型在每个问题上的回答。
比较评估的prompt
  • 给ChatGPT输入问题和两个模型的回答 ,并让它对每个回答打分,从1到10,并给出理由。
  • 评估提示是以正确性为主要标准。
图:UltraLLaMA与其他基线在策划评价集上的反应比较,该评估由ChatGPT完成
  • 比较了UltraLLaMA和其他基线模型在评估集上的Win/Tie/Lose次数,如上图所示。
  • UltraLLaMA在评估集上的表现远超其他开源模型,胜率高达85%。
  • UltraLLaMA的胜率比Vicuna高出13%。

独立评估

独立评估的prompt

使用ChatGPT对UltraLLaMA模型和基线模型的回答进行独立评分。基于回答的质量分数从1到10。粗体表示最好的分数,下划线表示第二好的。

表:每个模型在精选评估集上的总体得分和分段得分

上表显示了UltraLLaMA和基线模型的得分比较。UltraLLaMA在总分和评估集的大部分部分上都优于其他开源模型,显示了其强大的能力。

这个细分也反映了每个模型在不同类型的问题和指令上的性能。一般来说,所有模型在简单的常识和世界知识相关的问题上表现更好,但在涉及推理和创造性写作的更复杂的任务上表现较差。有趣的是,LLaMA虽然参数较少,但在常识和世界知识相关的问题上与较大的模型相当,但在更苛刻的任务上落后。此外,我们还注意到,Dolly和OpenAssistant基于Pythia的模型比基于LLaMA的模型表现更差,即使它们更小。这说明了底层语言模型的重要性。

问答精确度

  • 在真实QA多重回声任务上测试了UltraLLaMA和其他基线模型。让模型判断每个候选答案是真的还是假的。
  • 下表显示了各个模型的判断准确率。发现真实判断对于现有模型来说仍然是一项困难的任务。
  • UltraLLaMA在这个任务上比Vicuna表现更好,也超过了其他基线。
表:对不同模型的真实质量保证基准的准确性

系统提示符的影响

  • 大家常使用系统prompt来指导各种角色和回答风格。
  • 发现系统提示会影响模型生成的输出的质量。当模型被提示提供“有用且详细的”回答时,它会生成更相关和信息丰富的回答。
  • 这种提示虽然不一定会提高确定性问题的准确性,但会提高回答的整体质量,因为它会包含更多的额外信息。

可以从下表中看到一个例子,其中两个回答都是正确的,但系统通过prompt引导的模型产生了更详细的回答。

表:是否有系统提示的UltraLLaMA的比较

4 总结

这篇论文的研究成果对于聊天语言模型的发展具有重要的意义。首先,UltraChat数据集的创建为聊天语言模型的训练提供了丰富的资源。其次,通过对LLaMA模型的微调,研究者们成功地创建了一个性能优越的对话模型UltraLLaMA,这为聊天语言模型的进一步优化提供了有力的参考。


进NLP群—>加入NLP交流群


微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
杜聿明拒史迪威指挥西撤往印度300里,却走往东1000里入野人山,为什么?国内团队提出全新RLTF框架,刷新SOTA!大模型生成代码质量更高bug更少当李大海遇上刘知远:知乎和面壁的「大模型」故事邱勇:深入学习贯彻习近平新时代中国特色社会主义思想 以高质量党建引领学校高质量发展调用多个ChatGPT API相互对话,清华开源的多轮对话数据UltraChat来了煮茶包《历史的天空》张丰Yi 《兵临城下》富二代于和伟如何选择心仪大学?这里有一份高考志愿填报城市指南 | 知城·本科高校生源质量指数陈丹琦团队提出低内存高效零阶优化器MeZO,单卡A100可训练300亿参数模型南大Nat. Electron.: 梁世军、缪峰团队提出具有超高能效比的并行存内无线计算方案阿大提出:视听分割合成新数据集和声音图像分割新网络刘知远等众多机构提出ToolLLM:促进大型语言模型掌握16000+真实世界的APIs清华王建民、龙明盛团队提出全球自动气象站预报的统一深度大模型开源数据 | X-RiSAWOZ: 高质量端到端多语言任务型对话数据集字节团队提出猞猁Lynx模型:多模态LLMs理解认知生成类榜单SoTA无需RLHF就能对齐人类,性能比肩ChatGPT!华人团队提出袋熊Wombat模型想了解乐高模型的秘密?这本书必入!《乐高套装编年史》中文首发甲子光年:2023中国专精特新企业高质量发展之道:云上智能专精特新企业高质量发展的必经之路「请听讲」第3期 | 项目管理:如何用敏捷方法提高项目管理效率和质量?【视频】健康无糖玉米香蕉蛋糕党建引领,高质量发展,建设世界一流律师事务所——律师行业高质量发展论坛暨2023盈科全球合伙人大会圆满举办比SAM分割一切更全能!华人团队提出SEEM:通用分割新模型芝城天空灰蒙蒙,空气质量指数欠佳,而原因竟是……刘知远老师高铁上回应:大模型LLM领域,有哪些可以作为学术研究方向?对话李志飞:大模型的关键在于如何把大模型用起来|年度AI对话为多模态LLM指明方向,邱锡鹏团队提出具有内生跨模态能力的SpeechGPTSmartHK “推动高质量发展 ‧ 香港论坛”成功举办:肩负推进粤港澳大湾区高质量发展融合使命浙大滨江院Om中心发布首个大规模图文配对遥感数据集,让通用基础模型也能服务遥感领域震撼开源!首个1万多人共同标注的35种语言的高质量对话数据集来啦CVPR 2023 | 南大王利民团队提出LinK:用线性核实现3D激光雷达感知任务中的large kernel2023中国专精特新企业高质量发展之道:云上智能,专精特新企业高质量发展的必经之路|甲子光年智库将入学考试题搬进中文大模型数据集,20477道题目,还带4个候选答案OpenAI推出ChatGPT企业版:用户有权决定对话数据和API数据的去留丨最前线超好用的英美小学阅读理解训练方法:指导性阅读【七绝】 有感 (七虞)
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。