波士顿大学「鸭嘴兽-70B」登顶Hugging Face大模型排行榜！高效数据集+独特LoRA微调是关键
夕小瑶科技说 分享
来源 | 新智元
鸭嘴兽 70B登上Hugging Face上的开源大模型榜一，变强的原因是采用优化过的数据集训练以及更高效的PEFT和独特的LoRA微调。
Hugging Face上的开源大模型排名榜又更新了，这次荣登榜一的是：鸭嘴兽（Platypus 2-70B）！
和现在抱脸开源榜单上大部分的模型一样，鸭嘴兽是来自波士顿大学的研究人员基于Llama2微调而来。
同时，鸭嘴兽的进步就像之前所有的开源大模型那样：在提升性能的同时，使用更少的计算资源和数据。
一个13B的鸭嘴兽模型可以在单个A100 GPU使用25k个问题在5小时内完成训练。
论文地址：
https://arxiv.org/pdf/2308.07317.pdf
大模型研究测试传送门
GPT-4传送门（免墙，可直接测试，遇浏览器警告点高级/继续访问即可）：
Hello, GPT4!
根据研究人员的论文描述，鸭嘴兽70B变强的原因主要是两点：
-
编辑数据集：删除相似和重复的问题
-
使用LoRA和PEFT对模型进行了优化，重点关注非注意力模块
而在检查测试数据泄漏和训练数据污染方面，鸭嘴兽也做出了自己的贡献，这为未来的研究提供了有价值的参考。
多快好省的鸭嘴兽
鸭嘴兽主要是通过在一个小而强大的数据集Open-Platypus上使用参数高效调整（PEFT）和LoRA中对非注意力部分的微调来改进模型的性能。与一般专注于专业领域的模型在微调是耗时又昂贵不同，鸭嘴兽既做到了在总体上的模型性能提升，同时在特定领域的表现也很优秀。
在研究中发现，领域特定的数据集可以提高在所选任务类别上的性能。当与模型合并结合使用时，能够显著减少训练时间。
开源数据集
研究团队通过Hugging Face向公众开放了鸭嘴兽的数据集Open-Platypus：
Open-Platypus由11个开源数据集组成，主要由人为设计的问题组成，只有大约10%的问题由LLM生成，能够以最小的微调时间和成本实现强大的性能。侧重于提高LLM的STEM和逻辑能力。
同时，研究团队也对这些数据集进行了优化，这有助于缩小数据集并最大限度地减少数据冗余。
具体操作包括：
通过相似性排除的方法来最小化记忆，删除了所有逐字逐句的重复指令，然后删除了与训练集中其他指令的SentenceTransformers 嵌入具有80%余弦相似度的指令。
并且默认保留具有更详细答案的问题与答案对。因为较长的答案很可能对应更详细的解释和/或逐步解决方案。
解决数据污染
研究团队深入探索了开放式LLM训练集中的污染问题，并介绍了对鸭嘴兽数据进行过滤过程。
研究团队数据过滤的方法，其核心是确保基准测试题不会无意中泄漏到训练集中，这是为了防止测试数据的记忆对基准结果造成歪曲。
考虑到这一点，在确定是否应将问题标记为重复问题并从训练集中删除时，应留有余地。
在确定可疑问题时允许一定的灵活性，因为查询有多种措辞方式，同时，通用领域知识可能会阻止问题被视作重复。
为此，研究团队开发了以下启发式方法，用于指导人工筛选来自 Open-Platypus 的、与任何基准问题相似度大于 80% 的问题。
研究团队将潜在问题分为三类：重复、灰色区域和相似但不同。但为了谨慎起见，研究团队会将它们全部从训练集中删除。
-
重复：
这些问题几乎是测试集问题的完全复制品，可能只有一个微小的词语变化或轻微的重新排列。
这是我们将之定义为“真正”的污染类别，如上表中泄漏问题的数量所示。这种情况的具体示例如下：
-
灰色区域
这组问题被称为灰色区域，包括并非完全重复的问题，属于常识范畴。
虽然我们将这些问题的最终评判权留给了开源社区，但我们认为这些问题往往需要专家知识。
值得注意的是，这类问题包括指令完全相同但答案却同义的问题：
-
相似但不同：
最后一类问题包括尽管具有较高的余弦相似性分数，但答案却截然不同的问题。
这通常可以归因于问题结构的细微变化，从而产生完全不同的答案。
下图中的第一个问题就是一个很好的例子，其中对旋转轴和象限定义的修改极大地改变了最终答案。
微调与合并模型
在完善数据集并对污染进行三重检查后，研究团队对模型进行了微调与合并。方法主要是低秩逼近（LoRA）训练和参数高效微调（PEFT）库。
与完全微调不同，LoRA 保留了预先训练的模型权重，并在转换层中整合了秩分解矩阵。
这可以减少可训练参数，并节省训练的时间和成本。
例如，鸭嘴兽的13B模型使用1个A100 80GB进行了5个小时的微调，70B模型使用4个A100 80GB进行了22个小时的微调。
而作为比较基准，斯坦福大学对Alpaca-7B 的全面微调是在8 个 A100 80GB 上进行的，并花费了3个小时。
研究团队对模型的微调最初主要针对的是注意力模块，如 v_proj、q_proj、k_proj 和 o_proj。
后来，研究人员转向了对gate_proj、down_proj 和 up_proj 模块的微调，与注意力模块相比，除了可训练参数小于总参数的 0.1% 时，微调这些模块模型的性能表现更好。
为了保持一致性，研究团队对13B和70B模型统一采用了这一方法，可训练参数分别为0.27%和0.2%。
唯一的差异在于这些模型的初始学习率。
研究团队的模型合并策略则旨在评估与Instruct和Beluga等广泛模型或Camel 等专业模型合并的协同效应。
研究团队发现，合并模型能够有效拓宽模型的知识基础，但选择何种模型进行合并，是广泛合并还是集中合并，在决定性能结果方面起着关键作用。
同时，模型合并的效果因测试的具体领域而异。
所有领域的性能提升和下降并不一致，意味着在最终确定合并之前进行特定领域评估的必要性。
鸭嘴兽排名第一
截止到今天的Hugging Face开源LLM排行榜数据，Platypus2-70B依旧稳坐第一，而它的变体也在众多LLM中排名前列。
而在13B的尺寸上，鸭嘴兽的表现也同样亮眼，以平均分63.96脱颖而出，成为13B模型的领跑者。
Hugging Face的Open LLM排行榜
Huggingface的Open LLM排行榜目前是开源社区使用最多，同时也是参与模型最多的排行榜。
Open LLM排行榜使用Eleuther AI语言模型评估框架，这是一个在大量不同评估任务上测试生成式语言模型的统一框架，会在 4 个关键基准上对模型进行评估。
-
AI2 ：针对科学问题的推理测试，共有25次测试。
-
HellaSwag：常识推理测试，但对大语言模型来说具有相当的挑战性，总共进行10次测试。
-
MMLU：用于测量文本模型的多任务准确性。该测试涵盖 57 项任务，包括初等数学、美国历史、计算机科学、法律等，总共测试10次。
-
TruthfulQA：用于测试模型复制网上常见虚假内容的倾向。
整个测试框架都是开源的，网友可以直接在本地用这个框架测试模型，或者提交模型给Hugging Face来在线跑分。
全世界大大小小的模型都有机会打榜，成功登顶就可以标榜自己是世界第一。
一个韩国团队训练的开源模型，在被鸭嘴兽超越之前曾经是世界第一。他们就很自豪地将这个成果展示在公司主页最瞩目的地方。
Hugging Face的Open LLM排行榜，不仅能让技术人员客观对比模型的能力，还能给开源社区模型提供一个展示自己以获取外部资源，最终进一步发展的机会。
这也与开源社区的宗旨一致：
秉持高性价比的理念，允许各种改进模型的尝试，拥抱开放和共同进步.....
也许这就是开源社区如此生机勃勃的原因。