「教科书级」数据能有多大熏染？微软超强小模子引热议

随着大模子掀起新一轮 AI 热潮，教科人们开始思考 ：大模子的书级数据强盛能耐源头于甚么？

之后，大模子不断在由不断削减的熏染小模「大数据」来增长 。「大模子 + 大数据」彷佛已经成为构建模子的微软尺度范式。但随着模子规模以及数据量的超强不断削减，算力的引热议需要会快捷缩短 。一些钻研者试验探究新思绪 。教科

6 月，书级数据微软宣告了一篇题为《Textbooks Are All You Need》的熏染小模论文
，用规模仅为 7B token 的微软「教科书品质」数据磨炼了一个 1.3B 参数的模子 ——phi-1。尽管在数据集以及模子巨细方面比竞品模子小多少个数目级，超强但 phi-1 在 HumanEval 的引热议 pass@1 上抵达了 50.6% 的精确率 ，在 MBPP 上抵达了 55.5%。教科

phi-1 证实高品质的书级数据「小数据」可能让模子具备精采的功能 。最近 ，熏染小模微软又宣告了论文《Textbooks Are All You Need II: phi-1.5 technical report》，对于高品质「小数据」的后劲做了进一步钻研。

论文地址：https://arxiv.org/abs/2309.05463

模子简介

架构

钻研团队运用 phi-1 的钻研措施 ，并将钻研重点放在做作语言知识推理使命上 ，建树了具备 1.3B 参数的 Transformer 架构语言模子 phi-1.5。phi-1.5 的架构与 phi-1 残缺相同 ，有 24 层 ，32 个头，每一个头的维度为 64，并运用旋转维度为 32 的旋转嵌入，高下文长度为 2048。

此外，该钻研还运用 flash-attention 妨碍磨炼减速 ，并运用 codegen-mono 的 tokenizer。

磨炼数据

phi-1.5 的磨炼数据是由 phi-1 的磨炼数据（7B token）以及新建树的「教科书品质」数据（约莫 20B token）组成的。其中，新建树的「教科书品质」数据旨在让模子把握知识推理 ，钻研团队精心筛选了 20K 个主题来天生新数据
。

值患上留意的是 ，为了品评辩说收集数据（LLM 罕用）的紧张性，该钻研还构建了 phi-1.5-web-only 以及 phi-1.5-web 两个模子。

钻研团队展现：建树强盛且周全的数据集需要的不光是原始合计能耐，还需要重大的迭代、实用的主题抉择，以及对于知识的深入清晰，具备这些因素，能耐确保数据的品质以及多样性。

试验服从

对于语言清晰使命
，该钻研在多个数据集（搜罗 PIQA、Hellaswag、OpenbookQA、SQUAD 以及 MMLU）上评估了一些模子。评估服从如下表 3 所示，phi-1.5 的功能可能媲美 5 倍大的模子  ：

在知识推理基准上的测试服从如下表所示 ：

在更重大的推理使命（好比小学数学以及根基编码使命）上 phi-1.5 还逾越了大少数 LLM：

钻研团队以为，phi-1.5 再次证明了高品质「小数据」的实力。

质疑与品评辩说

概况是由于「大模子 + 大数据」的理念太深入夷易近意 ，这项钻研受到了机械学习社区一些钻研职员的质疑
，致使有人怀疑 phi-1.5 直接在测试基准数据集上磨炼了
 。

网友 Susan Zhang 妨碍了一系列验证，并指出 ：「phi-1.5 可能对于 GSM8K 数据会集的原下场给出残缺精确的回覆 ，但惟独稍微更正一下格式（好比换行），phi-1.5 就不会回覆了
。」

尚有更正下场中的数据，phi-1.5 在解答下场的历程中就会泛起「幻觉」。好比，在一个点餐下场中，只更正了「披萨的价钱」，phi-1.5 的解答就泛起了过错。

而且  ，phi-1.5 彷佛「记住了」最终谜底 ，纵然在修正数据的情景下该谜底已经是过错的
。

对于此，论文作者之一 Ronen Eldan 很快给出了回应  ，针对于上述网友测试泛起的下场给出批注以及反驳：

但该网友再次剖析其意见 ：测试剖析 phi-1.5 的回覆对于 prompt 的格式黑白常「单薄结子」的，并对于作者的回应提出质疑：

论文第一作者 Yuanzhi Li 回应道：「由于不妨碍任何指令微调以及对于齐使命，phi-1.5 在安妥性上简直不如 GPT-4。但『单薄结子』并非精确的术语
，事实上 ，对于任何模子 ，pass@k 精确率都市比 pass@1 高良多（以是模子精确便是无意偶尔的）。」

看到这些质疑与品评辩说，网友们直呼
：「最重大的回应方式便是直接果真分解数据集  。」

对于此，你奈何样看？

参考链接 ：https://twitter.com/suchenzang/status/1701615026648605095

本文地址：https://vzuek.strain.blog/html/387c599054.html