大模型指令調優數據集萬字評測！騰訊上交大聯合出品

克雷西 2024-08-15 15:05:10 來源：量子位

騰訊優圖實驗室 投稿
量子位 | 公眾號 QbitAI

隨著大模型的快速發展，指令調優在提升模型性能和泛化能力方面發揮著至關重要的作用。

然而，對于指令調優數據集的數據評估和選擇方法尚未形成統一的體系，且缺乏全面深入的綜述。

為了填補這一空白，騰訊優圖實驗室發布一篇完整綜述進行梳理。

長度超過了萬字，涉及的文獻多達400余篇。

這項研究涵蓋了質量、多樣性和重要性三個主要方面的數據評估和選擇方法，對每個方面都進行了詳細的分類和闡述。

同時，作者還關注了該領域的最新進展和趨勢，包括一些新興的技術和方法，如利用GPT等強大語言模型進行數據評分、基于雙層優化的Coreset采樣等。

全方位評估指令調優數據集

LLMs的發展目標是解鎖對自然語言處理（NLP）任務的泛化能力，指令調優在其中發揮重要作用，而數據質量對指令調優效果至關重要。

作者深入研究了各種指令調優數據集的數據評估和選擇方法，從質量、多樣性和重要性三個方面進行了分類和闡述。

質量評估與選擇

“質量”主要指指令響應數據點的完整性、準確性和合理性，現有方法通常制定統一的評分機制來綜合考慮這些維度。

針對數據集的質量，作者主要總結出了四種測試方法：

• 一是手工設計指標，如通過詞匯、句法、語義相似性等來方法評估數據質量，優點是指標計算明確，但無法檢測不匹配的指令響應對。
• 二是使用基于模型的指標，這種方法利用可訓練模型（如使用困惑度、多維評分評估器等）進行，結合多種訓練感知指標（如不確定性、獎勵分數等）的混合技術，這種方法在選擇無偏高質量樣本方面具有潛力。
• 第三種方法是直接交給GPT，調用OpenAI APIs對指令調優數據集進行自動評分，這種方法與人類偏好高度對齊，收集少量GPT評分樣本后微調開源LLM進行質量測量，可提高成本效率。
• 最后是人工評價，這種方法在構建偏好對齊數據集時不可或缺，可用為模型訓練提供高質量數據，但存在標注不一致問題，需制定詳細指南，并輔以GPT評分等其他措施作為補充。

多樣性評估與選擇

這里的多樣性，是指指令數據集的個體多樣性（如詞匯和語義豐富度）和整體多樣性（如數據分布），選擇具有多樣性的數據集可增強模型的泛化能力。

作者同樣是總結了四種測試數據集多樣性的方式。

• 手工設計的指標：包括詞匯多樣性（如Type-token ratio、vocd-D、MTLD、HD-D等）和語義多樣性（如通過k – NN圖計算距離、利用BERT嵌入計算方差等）等多種指標。
• 基于模型的指標：通過熵相關方法（如vanilla entropy、Rényi entropy、Simpson’s Index、Vendi Score等）、Task2Vec嵌入、開放標簽的多樣性標記等方式評估多樣性。
• 基于幾何特征的Coreset采樣：通過k-center greedy、herding等方法選擇最具信息和多樣性的子集，代表整個數據集，使模型在子集上的訓練性能接近在整個數據集上的訓練性能，聚類技術在其中起到解釋數據結構的作用。
• 基于Bi-level的Coreset采樣：將Coreset采樣視為Bi-level優化問題，通過優化硬掩碼或軟權重來選擇子集，涉及到模型內部參數的優化和數據選擇的外部循環，一些方法通過引入驗證集、梯度匹配和優化技術等來提高魯棒性和效率。

重要性評估與選擇

重要性是指樣本對模型訓練的必要性，與模型任務相關，同時也關乎性能。易樣本可能不需要額外調優，而難樣本對模型訓練至關重要。

對重要性的評估，主要有這樣幾種指標和方法：

• 手工設計的指標：通過可讀性指標（如語法、詞匯、推理依賴等）評估文本難度，選擇具有挑戰性的樣本以評估模型魯棒性和構建有區分度的NLP基準。
• 基于模型的指標：包括不確定性（如prompt uncertainty）、獎勵分數（通過獎勵模型判斷樣本對模型行為的必要性）和數據模型（如通過Data model預測數據點對模型行為的影響、DSIR根據分布相似性估計重要性分數、MATES連續選擇最有效子集、Xie等人通過重要性重采樣選擇類似目標分布的樣本）等方式。
• 基于Loss和Error的Coreset采樣：通過記錄訓練中樣本的錯誤（如forgetting score、memorization、influence等）來估計重要性，選擇對損失貢獻大或導致性能差的樣本，一些研究通過迭代近似和小代理模型加速計算邊際效應。
• 基于梯度的Coreset采樣：利用梯度直接影響語言模型優化的特性，通過梯度匹配（如逼近整個數據集的梯度）和梯度基于的影響（如通過上加權梯度乘法測量樣本對模型參數的影響）來選擇數據，一些技術（如低秩梯度相似性搜索、移動樣本近似等）用于加速計算和提高效率，同時需要考慮近似的精度和效率。

現有挑戰和未來方向

作者發現，數據選擇的有效性與模型在基準測試上的性能報告之間存在差距，原因包括評估損失與基準性能相關性不強、測試集污染等。

未來需要構建專門的基準來評估指令調優模型和所選數據點，并解耦數據選擇和模型評估以排除數據污染的影響。

目前也沒有統一標準來區分“好”“壞”指令，現有質量測量方法具有特定任務導向性且缺乏解釋性，未來需要更統一、通用的定義和提高選擇管道的可解釋性，以適應不同下游任務的需求。

隨著數據集的擴大，確定最佳選擇比例也變得困難，原因包括噪聲增加、過擬合和遺忘問題，建議通過質量測量方案、強調多樣性和考慮與預訓練數據的相似性來確定最佳選擇比例，并優化數據評估和選擇的可擴展性pipeline。

除了數據集，大模型本身的規模也在增大，數據評估和選擇的成本效率降低，需要發展高效的代理模型，同時重新思考傳統機器學習技術，如優化技巧和降維方法。

項目主頁：
https://github.com/yuleiqin/fantastic-data-engineering
論文地址：
https://arxiv.org/abs/2408.02085