一、概述

1 Motivation

構(gòu)造instruction data非常耗時耗力，常受限于質(zhì)量，多樣性，創(chuàng)造性，阻礙了instruction-tuned模型的發(fā)展。

背景：instruction-tuned方法是指利用非常多的指令數(shù)據(jù)【人類instructions指令和respond回答數(shù)據(jù)】去finetuned LLM模型，讓模型能夠理解人類指令，訓(xùn)練后使其對新的任務(wù)有非常強的zero-shot能力。

2 Methods

方法概述：本文提出self-instruct框架，通過bootstrapping off方法讓原始的LM模型直接生成instruction數(shù)據(jù)，通過過濾和篩選后，產(chǎn)生大量的insturction指令數(shù)據(jù)（多樣性和效果都不錯），進而可以極大降低instruction數(shù)據(jù)的構(gòu)建成本。

方法步驟總結(jié)：通過少量種子數(shù)據(jù) + LM模型本身（未經(jīng)過tuned模型）=> 生成instruction（指令）+ input（指令提到的輸入，可以為空）+ output（響應(yīng)輸出）=> 然后filters過濾無效和相似的樣本 => 來構(gòu)造非常多的instruction指令遵循數(shù)據(jù)，詳細(xì)步驟如下：

2.1 Defining Instruction Data

Instruction：指令

X：根據(jù)instruction，X可能為空或者不為空。例如：輸入X為空的Instruction：write an essay about school safety，輸入不為空的Instruction：write an essay about the following topic

Y：答案，只根據(jù)X或者Instruction理想的response回答

2.2 Automatic Instruction Data Generation

Instruction Generation：使用175個種子數(shù)據(jù)來生成新的Instruction，每一步采用8-few-shot的策略，其中6個是人類寫的，2個是機器生成的。

Classification Task Identification：利用LM采用few-shot的方式來預(yù)測1中生成的instructions是否為分類任務(wù)，采用12個分類任務(wù)，19個非分類任務(wù)作為few-shot的例子。

2.3 Instance Generation：采用兩種方法來生成實例X和Y

輸入優(yōu)先方法（Input-first Approach），首先根據(jù)說明提出輸入字段X，然后產(chǎn)生相應(yīng)的輸出Y，這里task就是input X，output就是輸出Y，也是通過in-context learning來做的，主要處理非分類的實例生成。

分類任務(wù)的輸出優(yōu)先方法（Output-first Approach），先生成可能的類標(biāo)簽，然后生成對應(yīng)句子【這么做是為了控制正負(fù)樣本比例】

2.4Filtering and Postprocessing

過濾相似度比較高的，和已有的樣本ROUGE-L小于0.7的才要

過濾image，picture，graph通常LLM無法處理的詞

過濾instruction相同但是answer不同的

過濾太長或者太短

2.5FineTuning

采用多個templates模版，來encode instruction和instance進行訓(xùn)練，提升不同格式的魯棒性。

3 Conclusion

比原始的GPT-3模型，絕對提升了33%，并且達到了差不多追上InstructGPT001的效果。就算利用公開的instruct數(shù)據(jù)，也有不錯的提升。

總結(jié)：

就用了175個原始種子數(shù)據(jù)，利用GPT3接口finetuned模型，比原始的GPT3高了33個點，并且居然和InstructGPT001效果差不太多了。

有了充分的訓(xùn)練數(shù)據(jù)，在SUPERNI數(shù)據(jù)集（其更偏向于研究領(lǐng)域任務(wù)，與人類的Instruction的分布還是有差異，后續(xù)也針對真實的人類Instruction分布做了實驗）上訓(xùn)練，用了本文提出的self-instruct還是有2個點的提升。

self-instruct提供了一個不用大量標(biāo)注就能讓原始的LM（未經(jīng)過指令學(xué)習(xí)的模型）學(xué)習(xí)理解人類指令的解決方案，極大地降低指令數(shù)據(jù)的生成和標(biāo)注成本。

本文發(fā)布了大規(guī)模的synthetic數(shù)據(jù)集，方便后續(xù)大家進行instruction tuning的研究。

4 limitation

長尾效應(yīng)還比較嚴(yán)重：self-instruct依賴于LMs生成數(shù)據(jù)，會繼承LM的缺陷，偏向于出現(xiàn)頻率高的詞。在常見的指令上效果可能不錯，在長尾樣本上可能效果比較差。

依賴大模型：依賴大模型的歸納偏差（inductive biases），可能只在大模型上效果比較好，由于大模型資源要求比較大，這也限制了小模型的使用。

可能會增強LM的偏見：可能會放大social bias，例如模型可能無法產(chǎn)生比較balanced的label。

二、詳細(xì)內(nèi)容

1 評估本文self-instruct在用戶實際需求的Instructions上是否有效果

背景：SUPERNI數(shù)據(jù)更偏向于研究任務(wù)，這里通過頭腦風(fēng)暴構(gòu)造了一些更偏向用戶實際需求的Instructions，來檢驗self-instruct的效果，還是和InstructGPT系列來比較

結(jié)論：效果也基本接近InstructGPT001，說明了其有效性，這里只使用了252個種子數(shù)據(jù)，也可以極大地降低Instruction構(gòu)建的成本。

2 評估使用本文self-instruct方法擴充的Instruction是否真的有用

方法：從Instruction數(shù)量、回復(fù)response質(zhì)量兩個角度來進行試驗，其中response質(zhì)量對比是通過蒸餾更好模型的response來做的實驗。

實驗1：評估擴充的訓(xùn)練數(shù)據(jù)量級對效果的影響

方法：從最開始的175個種子數(shù)據(jù)，逐步增加數(shù)據(jù)量，評估效果。

結(jié)論：大概訓(xùn)練數(shù)據(jù)在16K左右，效果就比較平了，帶來的提升沒那么大了。

實驗2：評估生成的response的質(zhì)量對效果的影響（從更好的模型InstructGPT蒸餾得到更好的response）

結(jié)論：44.4%提升到54.4%，說明更好的回復(fù)質(zhì)量對模型的提升也是巨大的。

3 生成的數(shù)據(jù)量級

訓(xùn)練GPT3的數(shù)據(jù)量級：52k個Instruction數(shù)據(jù)，82k個實例。

4 生成的數(shù)據(jù)的多樣性

評估方法1：挑選top20最常見的動詞，然后畫出其top4的直接noun object分布，衡量整體的數(shù)據(jù)分布。

評估方法2：畫出與種子數(shù)據(jù)中，最相近文本的Rouge-L的分布，衡量與種子數(shù)據(jù)的分布差異。

結(jié)論：發(fā)現(xiàn)多樣性還不錯，這也是生成的數(shù)據(jù)能讓模型學(xué)會通用的指令遵循的原因之一。

5 生成數(shù)據(jù)的質(zhì)量

統(tǒng)計指標(biāo)：隨機挑選200個指令，每個指令隨機挑選一個實例來標(biāo)注

指令有效率：92%

input與指令一致：79%

output正確（能很好地響應(yīng)Instruction和input的要求）：58%

各個場景都有效：54%

總結(jié)：盡管生成的數(shù)據(jù)還是包含誤差，但是大多數(shù)還是正確的，可以提供有用的指導(dǎo)，讓模型能學(xué)會遵循人類指令。

三、個人總結(jié)

相當(dāng)于驗證了少量種子數(shù)據(jù) + 原始預(yù)訓(xùn)練模型 => 生成大批量 多樣性 + 質(zhì)量還不錯的 指令數(shù)據(jù)的可行性 => 好處是可以極大降低指令遵循數(shù)據(jù)集構(gòu)建的成本。

這篇文章解釋了為什么大模型能聽懂人類指令的困惑，可以看出，原始的GPT-3模型學(xué)習(xí)了非常多的知識，但是人類指令遵循的能力非常非常差，通過self-instruct構(gòu)造大量的多樣、高質(zhì)量的指令數(shù)據(jù)和答案，模型就開始能聽懂指令，理解這個指令的具體含義，并給出人類期望的respond響應(yīng)。其中指令的【多樣性】和回復(fù)的【質(zhì)量】是非常關(guān)鍵的兩個因素。

對于如何對齊人類的價值觀：可以參考復(fù)旦moss模型【參考資源1】，也是構(gòu)造了非常多的對人類無害的種子數(shù)據(jù)，然后利用模型生成非常多的指令遵循數(shù)據(jù)，讓模型盡可能的生成無害的結(jié)果，從另一個角度看，如果不法分子誘導(dǎo)模型去生成暴力傾向等不符合人類期望的答案，那么可能會訓(xùn)練出毒性非常大的模型，這也是非常恐怖的，難怪微軟的文章說原始的gpt-3.5系列可能具備更強的能力，說明OpenAI在這方面做了非常強的約束。也難怪OpenAI強烈建議對大模型進行監(jiān)管。