没想到吧，中文互联网上最好的大模型语料库是：弱智吧

科技

2024-04-04 03:04

作者｜苗正
邮箱｜[email protected]

如果让你在互联网上给大模型选一本中文教材，你会去哪里取材？是知乎，是豆瓣，还是微博？一个研究团队为了构建高质量的中文指令微调数据集，对这些社交媒体进行了测试，想找到训练大模型最好的中文预料，结果答案保证让你大跌眼镜——

弱智吧。

弱智吧是百度贴吧上的一个子版块，这是一个非常神奇的地方，吧友们热衷于创作和分享一语双关、一词多义、因果倒置、谐音梗等带着逻辑陷阱的内容，而且部分帖子甚至带有一定的哲学意味。但是，拿这些东西训练全知全能伟大的大模型？能行吗。

别急，我们先来看看这个研究团队做了什么实验。

这是一篇题为《COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning》的论文，作者来自多个国内外高校，简单来说，他们提出了一个中文指令微调数据集COIG-CQIA（全称为Chinese Open Instruction Generalist-Quality Is All You Need ）。

对于中文大模型开发者来说，目前的一个重点挑战就在于没有一个高质量中文数据集，研究团队认为，各种中文社交媒体、论坛对于大模型的训练应该是很好的语料来源。

于是为了给这个数据集取材，他们从不同的社交平台（如问答社区、维基百科、考试材料、已有的 NLP 数据集等）收集了高质量的人工编写的文本集合，这些文本经过严格筛选和细致处理，最终才构建出了这个数据集。

论文称，这个数据集的目的是构建一个多样化、广泛的服务于中文大模型的指令调优数据集，以更好地使模型行为在中文环境下与人类互动相一致，提高指令响应的能力。

这里也科普一个概念，那就是大模型虽然有强大的知识储备，但是它是为解决通用自然语言处理任务而设计的，因此没有办法处理特定问题。此时，就需要对其进行“微调”，来让其输出结果符合特定问题的预期。而指令微调就是说明确了模型应执行的任务类型、输入要求、输出格式等具体细节情况下，再给出正确的结果。比如我用中文提问，并要求模型用西班牙语回答，那么模型的开发者为了满足我后半句话的要求，就得对模型进行指令微调。

这时就需要一个“指令微调数据集”。这类数据集通常包含大量的“指令-输出”对，其中每个对包括一个明确的指令（instruction），即用户希望模型执行的任务说明，以及与之对应的理想输出（output），即模型在接收到该指令后应当生成或执行的结果。

COIG-CQIA就是这样一个数据集。研究团队首先是对数据集进行了严格的筛选和清洗，确保数据集是比较健康的。具体做法是根据预设的筛选标准，去除无关或低质量的文本。这可能包括删除广告、无意义的灌水内容、含有敏感信息或违反社区规则的帖子等。

之后，团队还做了人工干预：对处理后的文本进行人工审核，确保其内容正确无误，符合预期的语义和知识标准，同时也确保数据集与真实的中文用户交互模式相一致。尤其是在一些诸如弱智吧语录这样深层隐喻比较强，模型基本没办法完全理解采集到的段子的含义，那就需要进行人工标注，提供明确的指令-输出示例，为模型微调提供精确的训练信号。

在做完了整理工作后，研究团队使用COIG-CQIA数据集对多个开源中文大模型做了微调。

而为了评估这些不同来源的数据质量，团队分别用不同的社交网站的数据微调了同一个模型，并做了测试。

在论文展示的对微调后的Yi系列模型的评估表现中，神奇的一幕出现。

在Yi-6B的性能对比中，在多个比分中（开放式问答，头脑风暴，分类问题，生成问题，封闭式问答和编程），用弱智吧的数据训练的模型表现在多个分类中表现是最好的。

而对微调后的Yi-34B的评测中，基于弱智吧数据训练出来的表现，更是直接拿了几乎全部领域的第一，综合评分遥遥领先。

除了性能外，COIG-CQIA还对其安全性能进行测试了，使用的是开源评估框架SafetyBench。可以看到，CQIA-Sub-6B的SafetyBench高达81.7，比GPT 3.5的SafetyBench还高。这么高的评分代表COIG-CQIA能够准确识别风险，并区分出含有有害信息、潜在违规内容、隐私敏感信息、误导性建议等不安全选项，选择出最符合安全原则的答案。换句话说，其具备一定的商业化潜力。

而其中，弱智吧的表现又亮了。超过了GPT3.5 。