SELF-Instruct 指令集构建详解
背景介绍
SELF-Instruct 是 2022 年 12 月发表的研究论文，旨在通过语言模型自我生成的指令来对齐语言模型。其核心思想类似于非线性插值，利用 LLM 的生成多样性对种子指令集进行 Bootstrap 扩充。该方案后续被用于 Alpaca 项目中生成微调指令集。
核心流程
SELF 提出了一种 Bootstrap 方案，让 LLM 基于种子指令生成新的指令，主要包含三个步骤：新指令生成、样本生成、过滤和后处理。
1. 新指令生成
首先人工构建 175 个种子指令，每个种子由 1 条指令和 1 个样本构成。在每一步中，从种子或已生成的指令中采样 8 个指令（Step 1 全部为种子），构建 Prompt 模板输入模型。
GPT-3 时代的 Prompt 模板：
Come up with a series of tasks:
Task 1: {instruction for existing task 1}
...
Task 8: {instruction for existing task 8}
Task 9:
Alpaca 项目升级后的 Prompt 模板 (Davinci-003)： 为了提升指令质量，Alpaca 将 Few-shot 数量缩减至 3 个，并增加了明确的约束条件，例如：
- 尽量不重复使用动词以最大化多样性。
- 表达形式多样化（问题 + 祈使句）。
- 类型多样化（开放式生成、分类、抽取、问答等）。
- 必须是模型可完成的任务（排除图像、视频、动作执行等）。
- 长度控制在 1-2 句话。
2. 样本生成
仅有指令不够，还需生成对应的输入和输出。原论文针对分类任务设计了特殊逻辑：先判断是否为分类任务，若是则先生成输出再生成输入，否则反之。这是因为早期模型倾向于只生成单个标签的输入。
随着模型能力增强（如 Davinci-003），Alpaca 将指令生成与样本生成分离的步骤合并，一步到位。Prompt 模板扩充了以下要求：
- 输入字段应包含具体示例，涉及真实数据而非占位符，内容足够具有挑战性但不超过 100 单词。
- 非特定上下文指令（如常识问答）标记为
<无输入>。 - 输出应是对指令的合适回应，少于 100 单词。
对于自由生成类任务，支持仅输出无输入的模式。
3. 过滤和后处理
生成的指令需经过严格的后处理以保证质量：
不可用指令过滤：
- 截断过滤： 若响应停止原因为
length，过滤最后一个指令。 - 关键词过滤： 移除图片、音频等模型无法完成的任务关键词。
- 长度过滤： 剔除过长或过短的指令。
- 格式过滤： 剔除前几个字非英文/中文的指令。
相似指令过滤： 为保证多样性，每轮计算新生成指令与已有指令的 Rouge-L 相似度（基于最长公共子串计算的 F 值）。仅保留 F 值小于 0.7 的新指令。同时监控整体相似度趋势，决定是否停止生成。
