AI2:仅凭开源数据，可达ChatGPT 83%表现

夕小瑶科技说原创
作者 | Python

ChatGPT强大的性能让人爱不释手，ChatGPT迟迟不开源让人恨得牙根痒痒。那仅通过开源数据，能够取得怎样的效果呢？近期，AI2的一篇论文显示，最好的65B规模的模型能够达到ChatGPT表现的83%，能够达到GPT-4表现的68%。让我们一起来看看他们是怎么做的。

论文题目：
How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources

论文链接：
https://arxiv.org/pdf/2306.04751.pdf

项目链接：
https://github.com/allenai/open-instruct

开源资源使用

ChatGPT等大规模语言模型（简称大模型）的训练主要分成两个阶段：语言模型训练与指令精调。对语言模型训练，该文主要探索了不同规模3种预训练模型：LLaMa、OPT和Pythia。下图展示了不同模型的参数规模及预训练时的数据规模。

而在第二步的指令精调中，该文探索了如下12个开源的指令精调数据集。这些数据集的构建思路主要包括5个方向：

图中，为对话的平均轮数，后两列为用户prompt与生成内容的平均长度。

作者还构建了2个混合数据源的训练集，包括：

如何评估大模型的好坏也是个复杂的问题。该文采用了包括自动评价和人工评价的方式，包括：

事实知识：Massive Multitask Language Understanding dataset (MMLU)。以单选题的形式，涵盖了57个学科，从入门级到专业级难度的都有。
推理：Grade School Math dataset (GSM) 和 Big-Bench-Hard (BBH)。GSM是小学难度的数学题；而BBH包含了23种较难的推理任务，比如日期理解、影评、逻辑归纳、目标计数等。
多语言能力：基于TyDiQA，段落级抽取式阅读理解数据集，包含11种不同形式的语言。
编程：基于HumanEval数据集，基于文档的函数级变成能力（为避免混淆，这里改称为Codex-Eval）。
基于模型的评价方式：参考AlpacaFarm的设置，选取805个开放式指令。让Davinci-003生成长度不超过2048的回复作为基准，并让GPT-4来做排序比较。
人工评价：考虑了332个指令（源于Self-Instruct 和Vicuna）。指标包括：

结论1：不同的Instruction Tuning数据集，会给模型带来不同方面的优势。

结论2：混合多种Instruction Tuning数据集效果会更好。

这两条结论很容易从下图中看出。比如MMLU上，用Flan V2最好，GSM上，用CoT最好，在Codex-Eval上用Code-Alpaca最好。Instruction Turing数据和下游任务一致性越高，表现就越好。而看均值的话，混合最多数据集的Human+GPT data mix最好。

接下来，使用Human+GPT data mix，检验参数量相当的的Pythia（300B）、OPT(180B)和LLAMA（1.0T）模型的表现，如下图所示，发现表现与预训练时使用的数据规模一致。

结论3：参数规模相同时，backbone模型预训练数据量越大表现越好。

后文将在Human+GPT data mix上调整过的LLAMA模型称作TÜLU。下图印证了几个比较常规的结论：参数越多表现越好；Instruction Tuning对所有参数规模的模型都有效；参数规模越小提升越大。以及：

结论4：TÜLU 65B同ChatGPT相比还有差距，表现达到ChatGPT的83%，GPT-4的68%。

具体的人类评价结果如下图所示，可以看到 TÜLU 65B 和 ChatGPT 相比仍有较大差距。（下图左是是否接受的0-1评分，下图右为两两比较评分）

OpenAI的ChatGPT等模型不开源，给学术界相关研究提出了很大的挑战。本文系统地探索了开源数据集上Instructiong Tuning的结果，并同ChatGPT于GPT-4的结果系统比较，对相关研究具有较好的参考价值。

此外，对比本文与OpenAI的论文也可以看出，OpenAI真的是什么训练细节都不讲。且不说GPT-4的技术报告中没有涉及任何技术细节，就连最近被大家夸赞开源了数据集的文章verify step by step中透露的技术细节也远少于本文。