人工标注數據告急？
Mata 新方法僅用少量種子數據，就構建了一個高質量的指令遵循（ instruction following）語言模型。
換言之，大語言模型需要大量人工标注的指令數據進行微調，而現在模型可自動從網絡語料庫未标記的文本中推理出指令。
然後用自己生成的指令數據進行訓練，堪比自産自銷。
并且用這種方法訓練出的模型在 Alpaca 基準測試上，超越開源羊駝及其一系列衍生模型。
LeCun 發推認爲該研究在模型自對齊方面具有轟動性：
用網友的一句話總結：
羊駝開始自我訓練了。
兩句話總結是這樣嬸兒的：
原本需要指令 > 響應數據集（需要人工标注），現在隻需要簡單訓練一個 " 反向模型 " 做響應 > 指令。任何文本可随意轉換爲指令數據集。
還有網友發出靈魂拷問：
是隻有我一個人，覺得這看起來像是通往超級智能的道路？如果你不需要額外的高質量外部數據，就能獲得越來越智能的 LLM，那麽這就是一個自我改進的封閉系統。
也許隻需要一種強化學習系統來提供信号，然後 LLM 自身的叠代就可以完成其餘的工作。
羊駝：我自己搞數據訓練了一頭鲸
這種可擴展的新方法叫做指令回譯，Mata 爲用這種方法訓練出的模型起了個名字——Humpback（座頭鲸，又稱駝背鲸）。
（研究人員表示，之所以起這麽個名字，是因爲它和駱駝背的關系，而且鲸魚體型更大，對應模型規模更大）
訓練一個 Humpback 的步驟簡單來說就是，從少量标注數據開始，使用語言模型生成未标注文本所對應的指令，形成候選訓練數據。再用模型評估數據質量，選擇高質量數據進行再訓練。然後重複該過程，進一步改進模型。
如上圖所示，需要準備的 " 材料 " 有：
一個基礎模型—— LLaMa
一個由 Open Assistant 數據集中的3200 個示例構成的種子數據（Seed Data），每個示例包括一個指令和對應的輸出。
從 ClueWeb 語料中抽取了 502K 段已去重、過濾、删除了潛在低質量段落的未标注文本（Unlabeled Data）。
标注示例和語料來源都有了，下一步就是自增強 ( Self-augment ) 階段。
研究人員用種子數據對基礎模型 LLaMa 進行了微調，獲得指令預測模型。然後用這個指令預測模型，爲未标注文本推理出一個候選指令。之後組合候選指令與文本（指令 - 輸出對），作爲候選增強訓練數據，也就是上圖中的 Augmented Data A。
但還不能用 A 的數據直接訓練，因爲未标注文本本身質量參差不齊，生成的候選指令也存在噪聲。
所以需要關鍵的自管理（Self-curate）步驟，使用模型預測數據質量，選擇高質量樣本進行訓練。
具體來說，研究人員使用僅在種子數據上微調的指令模型對候選數據打分。滿分五分，分數較高的才會被挑選出來作爲下一輪的候選數據。
爲了提高模型指令預測質量，研究人員用候選數據叠代訓練了模型，在叠代訓練中，數據質量也會越來越好。
此外，在組合種子數據和增強數據微調模型時，他們還使用不同的系統提示标記區分了這兩個數據源：
種子數據使用提示 "Answer in the style of an AI Assistant."
篩選數據使用提示 "Answer with knowledge from web search."
進行兩輪叠代後，最終模型就新鮮出爐啦。
合并兩種訓練數據：1+1>2
下面再來看看研究人員的分析結果：
△種子數據和增強數據的指令多樣性。内圈是常見的根動詞，外圈是與其對應的常見名詞。
上圖是用 8% 種子數據和 13% 的增強數據統計的指令多樣性。
可以很直觀地看到，在長尾部分增強數據多樣性更強，且增強數據與現有的人工标注種子數據相輔相成，補充了種子數據中未出現的類型。
其次，研究人員比較了三個增強數據集：Augmented data，all ( 無自管理 ) 、、數據更少但質量更高的
實驗觀察到，盡管數據集變小，但伴随着訓練數據質量的提升模型性能也有了很好的提升。
△使用自篩選評估不同數據大小和質量的自增強數據。y 軸表示在使用給定數據大小和質量微調 LLaMa 7B 時與 text-davinci-003 的勝率。
（text-davinci-003，一種基于 GPT-3 的指令遵循模型，使用強化學習在人類編寫的指令數據、輸出、模型響應和人類偏好上進行了微調）
最後來看一下 Alpaca 排行榜上的結果。Humpback 在不依賴蒸餾數據的情況下，表現明顯優于其它方法，并且縮小了與專有模型之間的差距。
非蒸餾（Non-distilled），指不依賴于任何外部模型作爲任何形式監督的訓練模型；蒸餾（Distilled），指在訓練過程中引入更強大的外部模型，例如使用從外部模型蒸餾的數據；專有（Proprietary），指使用專有數據和技術進行訓練的模型。
△相對于 text-davinci-003 的勝率
在與開源模型 LIMA 65B、Guanaco 65B、Falcon-Instruct 40B 和專有模型 davinci-003、Claude 的比較中，Humpback 的表現也都更符合人類偏好。
此外，研究人員還指出了該方法的局限性：
由于用于訓練的文本數據來自網絡語料庫，微調後的模型可能會放大網絡數據的偏差。雖然和基礎模型相比，微調後的模型提高了檢測偏差的準确性。然而，這并不意味着會完全解決這個問題。
傳送門：https://arxiv.org/abs/2308.06259（論文鏈接）
參考鏈接：
[ 1 ] https://twitter.com/jaseweston/status/1690888779878330368/retweets/with_comments
[ 2 ] https://twitter.com/swayducky/status/1690989046749868032
[ 3 ] https://twitter.com/ylecun/status/1691149506165747720
