HuggingFace 联创发推：高质量微调数据集才是“卷”大模型的正确姿势

量子位的朋友们 2023-11-07 17:57:20 来源：量子位

打造出一个新颖、高效且前沿的小型AI模型

最近，NLP大牛、HuggingFace联合创始人Thomas Wolf 发了一条推特，内容很长，讲了一个 “全球三大洲的人们公开合作，共同打造出一个新颖、高效且前沿的小型AI模型” 的故事。

故事是这样开始的，在几个月前，巴黎的一个新团队发布了他们首个模型：Mistral 7B，这个模型体积小巧但性能强劲，在基准测试中的表现超过了所有同类模型。

这还是个开源项目，意味着大家都可以在此基础上进行开发。

另一个研究模型微调和对齐的H4团队的两名成员，在Hugging Face举办的一次小聚中，他们边喝咖啡边讨论用斯坦福大学新发表的DPO方法对Mistral 7B这个模型进行微调的可能性，最后他们决定用已经构建好的代码库先来尝试下。

之后，他们在HF hub上找到了一些公开的数据集，包括由面壁智能和清华大学NLP共同支持的OpenBMB新近开源的两个大规模、高质量的微调数据集：UltraFeedback和UltraChat。

UltraFeedback，一个大规模、多样化、细粒度的偏好数据集，包括 25万条对话数据以及相应的偏好标注数据。在非社区标注的偏好数据集中，这一数据规模排在首位。并且，其中每条偏好标注均包含四个方面的细粒度得分与的详细文字说明。

UltraChat则是高质量的对话数据集，包含了 150 余万条多轮指令数据。调用多个 ChatGPT API 相互对话，从而生成多轮对话数据。

经过几轮实验证明，使用OpenBMB两个数据集训练出来的新模型非常强大，是H4团队 在伯克利和斯坦福的基准测试中见过的最强模型。

不久，这个名为“Zephyr”的模型、研究论文以及所有细节都向世界公开了，此后全球各地的公司开始应用这一模型。LlamaIndex，一个知名的数据框架和社区，分享了这个模型在实际用例基准测试中超乎预期的表现，与此同时，研究者和实践者们在Hugging Face hub上热烈讨论着这篇论文和相关工作。

Zephyr-7B性能超越参数十倍之大的 LLaMA2-70B-Chat。

短短几周就创造了这个 开源神话。Thomas Wolf指出，这一切都得益于世界各地（欧洲、加利福尼亚、中国）对知识、模型、研究和数据集的开放获取，以及人们在AI上相互建设、相互借鉴，共同创造出真正有价值的高效开放模型的理念。

开源精神以自由和合作为信条，让人类再次联合起来重建通天巴别塔。开源旨在打破人为壁垒，通过开放透明的方式促进技术和知识的创新共享。对于个体或组织而言，拥抱开源则是一种强者心态。

值得一提的是，OpenBMB开源社区背后的国内领先的人工智能公司 面壁智能，一直联合清华大学NLP实验室为大模型事业做高质量的开源贡献的同时，一直深耕大模型底层的数据工作。

就拿此次被Zephyr-7B运用的UltraFeedback为例，UltraFeedback 从多个社区开源的指令数据集中收集了约 6 万条指令。基于这些指令，UltraFeedback 从 17 种不同架构、参数量、训练数据的模型中随机选取 4 种不同模型，为每条指令生成4种有区分度的回复，极大地提升了指令和模型的多样性。

基于 UltraFeedback，团队还训练了UltraRM、UltraCM两个模型来进一步辅助模型评测和模型反馈学习。

在大家都在卷模型参数时，一个基于高质量数据集的7B模型就打败了参数十倍之大的 LLaMA2-70B-Chat。这说明了什么？

说明，底层的数据工作才是最稀缺的和有时间价值的，这或许是各家各派大模型在百模大战中的突破口之一。

面壁智能