SFT是目前最常見的調(diào)節(jié)模型效果的手段，然而它雖然看起來簡單（準備好數(shù)據(jù)->啟動），真正優(yōu)化起效果來卻困難重重，尤其是當我們有一堆能力項要優(yōu)化時（推理能力、閑聊能力等），事情往往不會像我們預想的那樣發(fā)展，單獨調(diào)節(jié)能力和混合調(diào)節(jié)能力完全是兩個難度。

今天就和大家分享我們在近期的一篇工作，探索混合數(shù)據(jù)后的模型優(yōu)化姿勢：

什么是SFT階段的數(shù)據(jù)組成（Data Composition）問題？

在大語言模型的監(jiān)督微調(diào)階段（Superviesd Finetuning, SFT），我們通過混合注入不同能力項的數(shù)據(jù)（數(shù)學推理，翻譯，代碼，通用能力等），來解鎖大模型多樣化的能力。然而由于不同能力項的數(shù)據(jù)的來源、領域、分布，以及數(shù)據(jù)規(guī)模的不同，這些因素都將對模型性能產(chǎn)生劇烈的影響。因此，SFT的數(shù)據(jù)組成問題旨在探究模型能力與各種能力項數(shù)據(jù)之間的關系，包括不同能力項的數(shù)據(jù)量、數(shù)據(jù)配比、模型參數(shù)量和微調(diào)訓練策略等，這對未來全面提升大模型的奠定了堅實的基礎。

本文聚焦于SFT階段的數(shù)學推理能力，代碼生成能力，以及通用指令遵循能力，這三個能力的數(shù)據(jù)集及評測指標的介紹如下：

? GSM8K RFT [1] 是一個增強的數(shù)學推理數(shù)據(jù)集，它基于GSM8K數(shù)據(jù)集[4]并結合RFT策略整合了多條推理路徑。訓練集中包含7.5K個問題和110K個回答，我們所有實驗數(shù)學的評測指標為GSM8k測試集分數(shù)。

? Code Alpaca [2] 旨在構建一個遵循指令，生成代碼的LLaMA模型，構建方式完全基于Stanford Alpaca，包含20K對的代碼數(shù)據(jù)，我們代碼生成的評測指標為HumanEval。

? ShareGPT [3] 使用多輪對話歷史記錄,包括約9w條來自人類的提問和來自ChatGPT和其他聊天機器人的回復。我們通用能力的評測指標為MT-Bench。

本文旨在從Data Scaling的視角，全面性地研究模型性能與不同因素之間的關系，包括數(shù)據(jù)量，數(shù)據(jù)配比，模型參數(shù)量和SFT訓練策略。我們的文章以4個研究問題（RQ）為主線進行探究。

RQ1: 隨著數(shù)據(jù)量的增加，數(shù)學推理、代碼生成和通用能力的性能變化趨勢如何?

實驗設置：

我們使用來自數(shù)學，代碼，通用能力的訓練集按比例{1, 1/4, 1/16, 1/64, 1/256}對不同參數(shù)量的LLaMA進行監(jiān)督微調(diào)。來評估每種單獨能力項在不同數(shù)據(jù)量/模型參數(shù)量下的表現(xiàn)。

核心結論（圖2）：

? 不同能力項有不同的Data Scaling曲線：數(shù)學推理能力，通用能力與數(shù)據(jù)量呈正相關模型的性能縮放曲線。值得注意的是通用能力只需要大約 1k數(shù)據(jù)樣本便會產(chǎn)生性能激增（數(shù)據(jù)量從1/256 到 1/64），并在達到一定閾值提高緩慢（1/64），這契合于LIMA[5]文中所提到的“Less is more”。然而代碼能力在7B，13B則呈現(xiàn)不規(guī)則的性能曲線，33B呈現(xiàn)log-linear的趨勢。

? 數(shù)據(jù)充足的情況下，更大參數(shù)量的模型往往有更強大的性能

RQ2: 在SFT階段中，將三種能力項數(shù)據(jù)直接混合是否會產(chǎn)生性能沖突？

實驗設置：

單數(shù)據(jù)源：分別使用{1, 1/4, 1/16, 1/64, 1/256}數(shù)量的數(shù)學，代碼，通用能力數(shù)據(jù)對LLaMA模型微調(diào)。

混合數(shù)據(jù)源：分別使用{1, 1/4, 1/16, 1/64, 1/256}數(shù)量的三種能力項數(shù)據(jù)，三種數(shù)據(jù)按照同等的數(shù)據(jù)比例直接混合，來對LLaMA模型微調(diào)。

核心結論（圖3）：

? 與單數(shù)據(jù)源相比，混合數(shù)據(jù)源設置呈現(xiàn)低資源性能增益，而高資源性能沖突: 三種能力的性能放縮曲線一致呈現(xiàn)高資源下（1/1）混合數(shù)據(jù)源設置弱于單數(shù)據(jù)源，然而隨著數(shù)據(jù)量下降二者產(chǎn)生性能轉(zhuǎn)折，最終低資源（1/256）下混合數(shù)據(jù)源產(chǎn)生明顯性能增益。

? 隨著模型參數(shù)量的提高，數(shù)學推理與通用能力在低資源下的性能增益更加顯著

RQ3: 什么是產(chǎn)生性能沖突的關鍵因素：

實驗設置：

我們將代碼生成與數(shù)學推理數(shù)據(jù)視為特定能力數(shù)據(jù)源，而ShareGPT則為通用能力數(shù)據(jù)源。我們設計了以下三種設置來探究通用數(shù)據(jù)和特定能力數(shù)據(jù)之間的比例變化：

固定通用數(shù)據(jù)，放縮特定能力數(shù)據(jù)：Fix general + k (code, math)

固定特定能力數(shù)據(jù)，放縮通用數(shù)據(jù)：Fix (code, math)l + k general

固定1/64通用數(shù)據(jù)，放縮特定能力數(shù)據(jù)：Fix 1/64 general+ k (code, math)

核心結論（圖4）：

? 當不同的SFT能力之間存在顯著的任務格式和數(shù)據(jù)分布差異時（數(shù)學和通用數(shù)據(jù)之間），數(shù)據(jù)比例的影響較小。然而，當存在一定程度的相似性時（代碼和通用數(shù)據(jù)之間），數(shù)據(jù)比例可能會導致明顯的性能波動。（數(shù)據(jù)分布的討論見D1）

? 即便在通用數(shù)據(jù)資源非常有限的情況下，特定能力的數(shù)據(jù)比例的放縮也沒有對通用能力造成明顯影響。

RQ4: 不同的SFT訓練策略對數(shù)據(jù)組成的影響是什么？

實驗設置：

如圖1所示，我們探究以上SFT訓練策略對性能的影響：

多任務學習：直接混合不同的SFT能力項數(shù)據(jù)進行SFT。若將每個數(shù)據(jù)源視為不同任務，則可視為多任務學習。

順序訓練：按順序依次在各能力項數(shù)據(jù)集上微調(diào)。由于通用能力是人類對齊的核心能力，我們將通用能力數(shù)據(jù)放在最后階段微調(diào)。

混合順序訓練：首先在特定能力數(shù)據(jù)集（代碼、數(shù)學）上進行多任務學習，然后在通用能力數(shù)據(jù)集上進行SFT。

兩階段混合微調(diào)（DMT）：我們綜合RQ1-3的結論與上述訓練策略的優(yōu)缺點，提出DMT策略。在第一階段我們首先在特定能力數(shù)據(jù)集（代碼、數(shù)學）上進行多任務學習。在第二階段我們使用混合數(shù)據(jù)源進行SFT，其中包括通用數(shù)據(jù)和一定比例k的特定能力數(shù)據(jù)（k = 1, 1/2, 1/4, 1/8, 1/16, 1/32），這有助于緩解模型對特定能力的災難性遺忘。

核心結論（表1）：

? 多任務學習在盡可能保留了特有能力，但是通用能力性能下降顯著。

? 兩種順序訓練保留了通用能力能力，但是由于多階段的微調(diào)產(chǎn)生災難性遺忘，使得他失去了太多的特定能力（尤其是數(shù)學）。

? 在不同的模型參數(shù)量下（7B，13B，33B），DMT (k = 1/256)策略在特定能力方面（數(shù)學，代碼）均有顯著改善，甚至對于通用能力也有一定程度的優(yōu)化。

Discussion

D1：不同能力的語義表示的可視化

實驗發(fā)現(xiàn)：如上圖所示，通過對 LLaMA-13b [左]和 DMT-13b (k=1/256) [右]策略下 LLaMA-13b 的第15層的語義表示進行可視化，我們發(fā)現(xiàn)雖然這兩個模型可以分離開數(shù)學能力的語義表示，但是在代碼數(shù)據(jù)與通用能力數(shù)據(jù)的語義表示間，仍存在一定程度的坍縮重疊現(xiàn)象。

D2: 消融通用能力數(shù)據(jù)中的代碼和數(shù)學樣本

實驗設計：為了消融通用能力數(shù)據(jù)中的特定能力數(shù)據(jù)，我們使用InsTag[1]工具對通用能力數(shù)據(jù)中的樣本標注標簽。并通過正則匹配過濾掉“數(shù)學”，“代碼”相關數(shù)據(jù)（從90K減少到63K）。與RQ2中的設置對齊，我們從數(shù)學，代碼，與過濾后的通用能力數(shù)據(jù)集中抽樣不同比例的訓練數(shù)據(jù)（1, 1/4, 1/16, 1/64, 1/256），并按照相應的比例直接混合后來微調(diào)LLaMA。

實驗結論：如圖6所示，移除通用能力數(shù)據(jù)中的代碼和數(shù)學后，低資源設置下依舊保持了穩(wěn)定的增益。這個消融實驗也表明通用能力中的代碼和數(shù)學樣本不是導致低資源性能增益的關鍵因素，而是數(shù)據(jù)的多樣性和可變性。

D3：雙階段混合微調(diào)（DMT）中第二階段特定能力數(shù)據(jù)的比例K

實驗發(fā)現(xiàn)：如上圖所示，當我們將k從0調(diào)整到1/256（k = 0等于混合順序訓練）時，發(fā)現(xiàn)模型在特定能力和通用能力方面都表現(xiàn)出顯著的提升。相反，當k從1/4增加到1時，模型的通用能力出現(xiàn)下降。我們認為這與RQ2的發(fā)現(xiàn)一致，即高資源環(huán)境會導致沖突，而低資源環(huán)境會導致混合來源的增益。此外，當k從1/256增加到1/4時，特定能力與通用能力呈現(xiàn)此消彼長的趨勢。這表明需要根據(jù)具體大模型SFT需求調(diào)整k值，以在多種能力之間實現(xiàn)平衡。

總結

大模型混合多種能力項數(shù)據(jù)進行微調(diào)時，會呈現(xiàn)高資源沖突，低資源增益的現(xiàn)象。我們提出的DMT策略通過在第一階段微調(diào)特定能力數(shù)據(jù)，在第二階段微調(diào)通用數(shù)據(jù)+少量的特定能力數(shù)據(jù)，可以在保留通用能力的同時，極大程度地挽救大模型對特定能力的災難性遺忘，這為SFT的數(shù)據(jù)組成問題提供了一個簡單易行的訓練策略。值得注意的是，第二階段微調(diào)時混合的特定能力數(shù)據(jù)量需要根據(jù)需求而定。

一句話概括：訓通用大模型就少混點，訓特定能力就著重多混合點！

編輯：黃飛