微软利用 GPT-4 进行指令微调，新任务零样本性能显著提升

微软利用 GPT-4 进行指令微调，新任务零样本性能显著提升

引言

大语言模型（LLMs）的指令微调水平正在不断提高。从谷歌 T5 模型到 OpenAI GPT 系列，LLMs 展现出了令人印象深刻的泛化能力，包括上下文学习和思维链推理。为了使 LLMs 更好地遵循自然语言指令并完成任务，研究人员一直在探索高效的指令微调方法。

实现指令微调主要有两种方式：一是使用人类标注的 prompt 和反馈在广泛任务上微调模型；二是使用通过手动或自动生成指令增强的公共基准和数据集进行监督微调。其中，Self-Instruct 微调是一种简单有效的方法，它从 SOTA 指令微调的教师 LLMs 生成的指令遵循数据中学习，使得 LLMs 与人类意图对齐。事实证明，指令微调已成为提升 LLMs 零样本和小样本泛化能力的有效手段。

最近，ChatGPT 和 GPT-4 的成功为使用指令微调来改进开源 LLMs 提供了巨大机遇。Meta LLaMA 系列开源模型的性能已能与 GPT-3 等专有模型媲美。为了教 LLaMA 遵循指令，Self-Instruct 因其卓越性能和低成本被快速采用。例如，斯坦福的 Alpaca 模型使用了由 GPT-3.5 生成的 52k 指令遵循样本，Vicuna 模型使用了约 70k 来自 ShareGPT 的指令遵循样本。

为了推进 LLMs 指令微调的 SOTA 水平，微软研究院在其论文《Instruction Tuning with GPT-4》中首次使用 GPT-4 作为教师模型进行 Self-Instruct 微调。

• 论文地址：https://arxiv.org/pdf/2304.03277.pdf
• 项目地址：https://instruction-tuning-with-gpt-4.github.io/
• GitHub 地址：https://github.com/Instruction-Tuning-with-GPT-4/GPT-4-LLM

研究者一方面发布了 GPT-4 生成的数据，包括中英文的 52k 指令遵循数据集、GPT-4 生成的对三种指令微调模型的输出进行评级的反馈数据。另一方面基于 GPT-4 生成的数据开发了指令微调的 LLaMA 模型和奖励模型。为了评估指令微调 LLMs 的质量，研究者使用三个指标对测试样本进行评估：对三个对齐标准的人工评估、基于 GPT-4 反馈的自动评估以及非自然指令的 ROUGE-L（自动文摘评测方法之一）。

实验结果验证了使用 GPT-4 生成的数据进行 LLMs 指令微调的有效性。GPT-4 生成的 52k 中英指令遵循数据在新任务上实现了较以往 SOTA 模型更好的零样本性能。目前，研究者已经公开了使用 GPT-4 生成的数据以及相关代码。

数据集构建

该研究使用 GPT-4 生成了以下四个关键数据集，以支持指令微调与评估：

英语指令遵循数据集

对于从 Alpaca 收集到的 52K 指令，每个指令都提供了一个英文 GPT-4 答案。该数据集主要用来探索和比较 GPT-4 答案和 GPT-3 答案的数据统计特征，分析不同版本模型在生成质量上的差异。

中文指令遵循数据集

该研究使用 ChatGPT 将 52K 指令翻译成中文，并要求 GPT-4 用中文回答。这一数据集填补了高质量中文指令数据的空白，有助于训练多语言能力的开源模型。

比较数据

让 GPT-4 给自己的反应打分，分数范围从 1 到 10。此外，该研究还要求 GPT-4 对 GPT-4、GPT-3.5 和 OPT-IML 三种模型的响应进行比较和评分。这一数据集主要用来训练奖励模型，帮助模型学习区分响应质量的优劣。

非自然指令的回答

GPT-4 的回答在 68K 指令 - 输入 - 输出三组核心数据集上解码。该子集用于量化 GPT-4 与指令微调模型之间的差距，特别是在处理复杂或非典型指令时的表现。

图 1 比较了 GPT-4 和 GPT-3.5 的英文输出响应集。图 1 (a) 和 (b) 显示了两个输出集合频率高于 10 的动 - 名词对（verb-noun pairs），图 1 (c) 比较了两个集合中出现频率最高的 25 对单词，图 1 (d) 比较了序列长度的频率分布。结果显示，GPT-4 倾向于生成比 GPT-3.5 更长的序列，且用词更加丰富多样。

指令微调语言模型

该研究基于 LLaMA 7B checkpoint，并使用监督微调训练了两个模型：

1. LLaMA-GPT4：在 GPT-4 生成的 52K 英语指令遵循数据上训练。
2. LLaMA-GPT4-CN：在来自 GPT-4 生成的 52K 中文指令遵循数据上训练完成。

这两个模型旨在验证利用更强教师模型生成的数据能否显著提升开源基座模型的对齐能力和指令遵循能力。

奖励模型

人类反馈强化学习 (RLHF) 旨在使 LLM 行为与人类偏好保持一致，奖励建模是其关键部分之一。这一问题通常被公式化为回归任务，以预测给定提示和响应之间的奖励。但这种方法通常需要大规模的比较数据，现有开源模型如 Alpaca、Vicuna 和 Dolly 由于标注比较数据成本很高，因此不涉及 RLHF。

与此同时，最近的研究表明，GPT-4 能够识别和修复自己的错误，并准确判断响应的质量。因此，为了促进 RLHF 的研究，该研究使用 GPT-4 创建了比较数据。为了评估数据质量，该研究还训练了一个基于 OPT 1.3B 的奖励模型进行该数据集的评估。比较数据的分布如图 2 所示。

实验评估

该研究利用以下三种类型进行评估：人类评估、GPT-4 自动评估以及非自然指令评估。结果证实，与其他机器生成的数据相比，使用 GPT-4 生成的数据是进行 LLM 指令微调的一种高效且有效的方法。

人类评估

图 3 (a) 为 LLaMA-GPT4 vs Alpaca 比较结果，实验表明在 Helpfulness（有用性）这一指标下，GPT-4 以 54.12% 的得分胜出。图 3 (b) 为 LLaMA-GPT4 vs GPT-4 比较结果，表明 GPT-4 指令微调的 LLaMA 的性能与原始的 GPT-4 类似，显示出极强的迁移能力。

与使用自动求值的 SOTA 进行比较

该研究使用 GPT-4 对不同模型在 80 个未见问题上的回答进行自动评估。首先从 LLaMA-GPT-4 (7B) 和 GPT-4 两个聊天机器人中收集答案，并使用其他聊天机器人发布答案，包括 LLaMA (13B)，Alpaca (13B)，Vicuna (13B)，Bard (谷歌，2023) 和 ChatGPT。对于每次评估，该研究要求 GPT-4 对两个模型之间的响应质量进行评分，评分范围从 1 到 10。结果如图 4 所示。

图 4 (c,d) 比较了所有聊天机器人。LLaMA_GPT4 性能更高：7B LLaMA GPT4 的性能优于 13B Alpaca 和 LLaMA。然而，LLaMA_GPT4 与 GPT-4 等大型商业聊天机器人相比，仍有差距。这说明了虽然开源模型在缩小，但顶级专有模型仍具有优势。

研究者在下图 5 中进一步研究了所有聊天机器人的性能。首先使用 GPT-4 将聊天机器人的英文响应翻译成中文，接着使用 GPT-4 将英文问题翻译成中文以获得答案。与 GPT-4 翻译和生成的中文响应的比较如 5 (a) 和 5 (b) 所示，5 (c) 中显示了所有被要求用中文回答的模型结果。

在下图 6 中，研究者将 LLaMA-GPT4 与 GPT-4、Alpaca 非自然指令进行比较。结果显示，LLaMA-GPT4 和 GPT-4 随 ground truth 响应长度的增加表现更好。这意味着当场景更具创意时，它们可以更好地遵循指令。当序列长度较短时，LLaMA-GPT4 和 GPT-4 都能生成包含简单 ground truth 答案的响应，并且添加额外单词可以使响应更像聊天。

结论与展望

微软此次利用 GPT-4 进行指令微调的实验，标志着开源大模型训练进入了一个新的阶段。通过使用更强的教师模型生成高质量的指令数据，开源社区可以更低成本地获得接近专有模型水平的性能。这不仅降低了大模型的使用门槛，也为后续的研究者提供了宝贵的数据资源和参考方案。

未来，随着 GPT-4 及后续模型的迭代，指令微调的数据质量有望进一步提升。同时，结合 RLHF 技术，开源模型在安全性、有用性和诚实性方面也将得到更多优化。对于开发者而言，关注此类技术动态，及时跟进最新的微调策略，将是保持竞争力的关键。