ACL2023 | 大模型如何快速构建指令遵循数据集？self-instruct：用175条种子数据追上InstructGPT001效果

一、概述

title：SELF-INSTRUCT: Aligning Language Models with Self-Generated Instructions

论文地址：https://arxiv.org/abs/2212.10560

代码：GitHub - yizhongw/self-instruct: Aligning pretrained language models with instruction data generated by themselves.

1 Motivation

1. 构造instruction data非常耗时耗力，常受限于质量，多样性，创造性，阻碍了instruction-tuned模型的发展。
2. 背景：instruction-tuned方法是指利用非常多的指令数据【人类instructions指令和respond回答数据】去finetuned LLM模型，让模型能够理解人类指令，训练后使其对新的任务有非常强的zero-shot能力。

2 Methods

1. 方法概述：本文提出self-instruct框架，通过bootstrapping off方法让原始的LM模型直接生成instruction数据，通过过滤和筛选后，产生大量的insturction指令数据（多样性和效果都不错），进而可以极大降低instruction数据的构建成本。
2. 方法步骤总结：通过少量种子数据 + LM模型本身（未经过tuned模型）=> 生成instruction（指令）+ input（指令提到的输入，可以为空）+ output（响应输出）=> 然后filters过滤无效和相似的样本 => 来构造非常多的instruction指令遵循数据，详细步骤如下：

2.1 Defining Instruction Data

• Instruction：指令
• X：根据instruction，X可能为空或者不为空。例如：输入X为空的Instruction：write an essay about school safety，输入不为空的Instruction：write an essay about the following topic
• Y：答案，只根据X或者Instruction理想的response回答

2.2 Automatic Instruction Data Generation

• Instruction Generation：使用175个种子数据来生成新的Instruction，每一步采用8-few-shot的策略，其中6个是人类写的，2个是机器生成的。

• Classification Task Identification：利用LM采用few-shot的方式来预测1中生成的instructions是否为分类任务，采用12个分类任务，19个非分类任务作为few-shot的例子。

2.3 Instance Generation：采用两种方法来生成实例X和Y

• 输入优先方法（Input-first Approach），首先根据说明提出输入字段X，然后产生相应的输出Y，这里task就是input X，output就是输出Y，也是通过in-context learning来做的，主要处理非分类的实例生成。

• 分类任务的输出优先方法（Output-first Approach），先生成可能的类标签，然后生成对应句子【这么做是为了控制正负样本比例】

2.3 Filtering and Postprocessing

• 过滤相似度比较高的，和已有的样本ROUGE-L小于0.7的才要
• 过滤image，picture，graph通常LLM无法处理的词
• 过滤instruction相同但是answer不同的
• 过滤太长或者太短

2.4 FineTuning

• 采用多个templates模版，来encode instruction和instance进行训练，提升不同格式的鲁棒性。

1.3 Conclusion

1. 比原始的GPT-3模型，绝对提升了33%，并且达到了差不多追上InstructGPT001的效果。就算利用公开的instruct数据，也有不错的提升。

• 总结：

• • 就用了175个原始种子数据，利用GPT3接口finetuned模型，比原始的GPT3高了33个点，并且居然和InstructGPT001效果差不太多了。
  • 有了充分的训练数据，在SUPERNI数据集（其更偏向于研究领域任务，与人类的Instruction的分布还是有差异，后续也针对真实的人类Instruction分布做了实验）上训练，用了本文提出的self-instruct还是有2个点的提升。

1. self-instruct提供了一个不用大量标注就能让原始的LM（未进过指令学习的模型）学习理解人类指令的解决方案，极大的降低指令数据的生成和标注成本。
2. 本文发布了大规模的synthetic数据集，方便后续大家进行instruction tuning的研究。

1.4 limitation

1. 长尾效应还比较严重：self-instruct依赖于LMs生成数据，会继承LM的缺陷，偏向于出现频率高的词。在常见的指令上效果可能不错，在长尾样本上可能效果比较差。
2. 依赖大模型：依赖大模型的归纳偏差（inductive biases），可能只在大模型上效果比较好，由于大模型资源要求比较大，这也限制了小模型的使用。
3. 增强LM的偏见：可能会放大social bias，例如模型可能无法产生比较balanced的label。

二、详细内容

1 构建面向用户实际需求的Instructions进行训练进而评估self-instruct是否有效果

• 背景：SUPERNI数据更偏向于研究任务，这里通过头脑风暴构造了一些更偏向用户实际需求的Instructions，来检验self-instruct的效果，还是和InstructGPT系列来比较

• 结论：效果也基本接近InstructGPT001，说明了其有效性，这里只使用了252个种子数据，也可以极大的降低Instruction构建的成本。

2 评估使用本文self-instruct方法扩充的Instruction是否真的有用

方法：从Instruction数量、回复response质量两个角度来进行试验，其中response质量对比是通过蒸馏更好模型的response来做的实验。

• 实验1：评估扩充的训练数据量级对效果的影响

• • 方法：从最开是的175个种子数据，逐步增加数据量，评估效果。
  • 结论：大概训练数据在16K左右，效果就比较平了，带来的提升没那么大了。

• 实验2：评估生成的response的质量对效果的影响（从更好的模型InstructGPT蒸馏得到更好的response）

• • 结论：44.4%提升道54.4%，说明更好的回复质量对模型的提升也是巨大的。

3 生成的数据量级

• 数量GPT3的数据量级：52k个Instruction数据，82k个实例。

4 生成的数据的多样性

• 评估方法1：挑选top20最常见的动词，然后画出其top4的直接noun object分布，衡量整体的数据分布。
• 评估方法2：画出与种子数据中，最相近文本的Rouge-L的分布，衡量与种子数据的分布差异。
• 结论：发现多样性还不错，这也是生成的数据能让模型学会通用的指令遵循的原因之一。

5 生成数据的质量

• 统计指标：随机挑选200个指令，每个指令随机挑选一个实例来标注

• • 指令有效率：92%
  • input与指令一致：79%
  • output正确（能很好的响应Instruction和input的要求）：58%
  • 各个场景都有效：54%

• 总结：尽管生成的数据还是包含误差，但是大多数还是正确的，可以提供有用的指导，让模型能学会遵循人类指令。

三、个人总结

1. 相当于验证了少量种子数据 + 原始预训练模型 => 生成大批量 多样性 + 质量还不错的 指令数据的可行性 => 好处是可以极大降低指令遵循数据集构建的成本。
2. 这篇文章解释了为什么大模型能听懂人类指令的困惑，可以看出，原始的GPT-3模型学习了非常多的知识，但是人类指令遵循的能力非常非常差，通过self-instruct构造大量的多样、高质量的指令数据和答案，模型就开始能听懂指令，理解这个指令的具体含义，并给出人类期望的respond响应。其中指令的【多样性】和回复的【质量】是非常关键的两个因素。

1. 对于如何对齐人类的价值观：可以参考复旦moss模型【参考资源1】，也是构造了非常多的对人类无害的种子数据，然后利用模型生成非常多的指令遵循数据，让模型尽可能的生成无害的结果，从另一个角度看，如果不法份子诱导模型去生成暴力倾向等不符合人类期望的答案，那么可能会训练出毒性非常大的模型，这也是非常恐怖的，难怪微软的文章说原始的gpt-3.5系列可能具备更强的能力，说明OpenAI在这方面做了非常强的约束。也难怪OpenAI强烈建议对大模型进行监管。
2. 最近的OpenAI state of GPT的分享【参考资源2】，也提到原始next word predict训练的预训练摸LM擅长构建类似的问题，而不善于遵循人类指令生成回复，这个预训练阶段的任务也是Match的，同时本文利用其擅长构建类似问题的特点来构建更多的指令数据，也比较符合常理。

四、参考资源

1. 复旦团队大模型 MOSS 开源了，有哪些技术亮点值得关注？ - 孙天祥的回答 - 知乎 https://www.zhihu.com/question/596908242/answer/2994534005
2. https://karpathy.ai/stateofgpt.pdf

欢迎大家关注我的微信公众号，时刻掌握第一手论文更新消息！