我要投稿

LLM合成LLM训练数据方法小调研

发布日期：2024-05-02 18:22:23 浏览次数： 2977 来源：AIGC小白入门记

T

    作者名称：王荣花师小哲
    原文地址：https://zhuanlan.zhihu.com/p/683697056

简单总结了一下现在使用LLM合成数据用于训练的一些论文，不是特别全，仅供参考
简单的方法，例如就是让ChatGPT生成响应之类的就不放进来了，大体上分成了4类，有些方法归类有些纠结，暂时先这样划分
除了方法的简单描述，还着重看了下这些论文是怎么过滤/筛选高质量数据的
除了第四类，一般LLM和数据集都是独立的，所以用来生成数据的往往是ChatGPT（早期研究）和GPT-4（后期研究），就统一叫GPT-4了

1. 从头生成类（没有种子集，找原始数据，然后LLM）

（1）GENIE: ACHIEVING HUMAN PARITY IN CONTENT-GROUNDED DATASETS GENERATION

生成方法倒是很简单，找到原始数据然后用LLM few-shot一下
过滤：通过格式、忠实度和质量的评分，用到了NLI模型和RM（奖励模型）

（2）textbook/phi
Textbooks Are All You Need
Textbooks Are All You Need II: phi-1.5 technical report
与其说是生成，不如说重点可能在于过滤（从大数据集中筛选），其实也是prompt工程

2. 种子集+LLM生成类（包括迭代）

（1）Evol-Instruct
WizardLM: Empowering Large Language Models to Follow Complex Instructions
WizardCoder: Empowering Code Large Language Models with Evol-Instruct
WizardMath: Empowering Mathematical Reasoning for Large Language Models via Reinforced Evol-Instruct等

Wizard系列提出的Evol-Instruct，有一般自然语言版本和Code版本等，其实是让GPT-4对种子集做扩展
当然一个主要问题是边际效应
过滤：主要是删除掉重复的、没有实质改进的和LLM无法正确生成响应的新输入。是通过prompt让GPT-4来做的

（2）MFTCODER: BOOSTING CODE LLMS WITH MULTITASK FINE-TUNING

使用种子集+模板进行agent多轮对话或多次单轮对话（MFT是多任务微调的缩写）

（3）WAVECODER: WIDESPREAD AND VERSATILE ENHANCED INSTRUCTION TUNING WITH REFINED DATA GENERATION

这个比较简单，就是对于代码用GPT-4生成并用GPT-4打分过滤

（4）Magicoder: Source Code Is All You Need

OSS-INSTRUCT方法，让LLM从源代码片段中获取灵感来生成问题和解答。
最好的地方在于和Evol-instruct等方法是正交的，可以一起用
这种方法好像没有过滤，只是做了净化（排除数据污染）

（5）A Universal Prompt Generator for Large Language Models

和Orca-Math（见后面）的微调部分比较像，主要是SFT后还做了对齐

（6）SELF-INSTRUCT: Aligning Language Model with Self Generated Instructions

过滤方法：ROUGE-L，主要是去重

3. 风格改进类（这种往往都是正交的）：

（1）IMPROVING CODE STYLE FOR ACCURATE CODE GENERATION

改进代码数据的风格可以提高Code LLM的能力。包括（1）变量重命名；（2）将复杂代码模块化为子函数；（3）加注释。
过滤：GPT-4

（2）I Learn Better If You Speak My Language: Enhancing Large Language Model Fine-Tuning with Style-Aligned Response Adjustments

（小样本）让微调数据的风格和LLM风格一致。其实就是在训练LM上PPL更低，虽然修改是GPT-4做的

（3）Reformatted Alignment

对数据集进行重新格式化。这个自动化程度较高，会自动识别任务，并通过RAG增加知识信息等。
过滤：主要是基于规则（模板是否正确）、长度等

（4）CoT类

How Do Humans Write Code? Large Models Do It the Same Way Too
TORA: A TOOL-INTEGRATED REASONING AGENT FOR MATHEMATICAL PROBLEM SOLVING
其实就是把答案做成CoT、PoT这样的形式，往往是原来有的标签的（在有标签的情况下LLM的CoT解释会比没有好很多，俗称对着答案猜步骤）

4. 数据集和模型一起迭代

这个是不包括不产生新数据的模型自迭代的

（1）Self-Alignment with Instruction Backtranslation

①自增强。用LLaMA和种子集来给无标签web数据标注prompt；②自管理。迭代进行

（2）Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models

SPIN，从SFT后的弱模型出发自博弈（模型通过生成自己的训练数据，并将其与人工标注数据区分开来，以不断优化模型的策略）

（3）ReST系列

Reinforced Self-Training (ReST) for Language Modeling

ReST其实是一种和RLHF相对应的方法，不过确实是自迭代
内外循环，筛选是基于RM的
Beyond Human Data: Scaling Self-Training for Problem-Solving with Language Models
ReSTEM，ReST的简化修改版本，主要用于微调了
REST MEETS REACT: SELF-IMPROVEMENT FOR MULTI-STEP REASONING LLM AGENT
ReST+ReAct，目的是让ReAct中的agent迭代

（4）Orca系列

Orca系列其实每一个都是有差别的，想了想还是放这吧
Orca-Math: Unlocking the potential of SLMs in Grade School Math
重点谈这个。获取数据集的方法是Agent-Instruct，三个agent，负责扩充问题的、提出修改意见的、修改的，可以迭代进行
训练是先SFT，然后相当于用了RLAIF迭代训练（用GPT-4生成偏好数据，然后对齐，对齐用的是KTO方法）
Orca: Progressive Learning from Complex Explanation Traces of GPT-4
Orca就比较简单了，直接获取GPT-4响应，创新点是添加了解释轨迹
Orca 2: Teaching Small Language Models How to Reason
在Orca 1的解释微调的基础上引入谨慎推理，就是在训练时告诉模型用了哪种解题方法（接回答、逐步处理、解释然后回答），然后在推理时不告诉（提示擦除），让模型学会自己选择方法