Das Geheimnis der inländischen ChatGPT-„Shell' wurde nun gelüftet

„iFlytek deckt ChatGPT ab!“ „Baidu Wenxin verwendet ein Wort, um Stable Diffusion zu vertuschen!“ „Das große Modell von SenseTime ist tatsächlich ein Plagiat!“ große Modelle.

Die Erklärung für dieses Phänomen ist laut Brancheninsidern, dass es einen echten Mangel an qualitativ hochwertigen chinesischen Datensätzen gibt. Beim Training von Modellen können

die gekauften fremdsprachigen annotierten Datensätze nur als „Auslandshilfe“ fungieren . Wenn der für das Training verwendete Datensatz abstürzt, werden ähnliche Ergebnisse generiert, was zu einem eigenen Vorfall führt. Unter anderem ist die Verwendung vorhandener großer Modelle zur Unterstützung bei der Generierung von Trainingsdaten anfällig für eine unzureichende Datenbereinigung. Nur das Training spärlicher großer Modelle ist keine langfristige Lösung.

Nach und nach formiert sich in der Branche ein Konsens:

Der Weg zur AGI wird weiterhin extrem hohe Anforderungen sowohl an die Datenmenge als auch an die Datenqualität stellen.

Die aktuelle Situation erfordert, dass viele inländische Teams

sukzessive chinesische Open-Source-Datensätze veröffentlicht haben. Zusätzlich zu allgemeinen Datensätzen wurden auch spezielle chinesische Open-Source-Datensätze für vertikale Bereiche wie z Programmierung und medizinische Versorgung. Hochwertige Datensätze sind verfügbar, aber nur wenige.

Neue Durchbrüche bei großen Modellen basieren stark auf hochwertigen und umfangreichen Datensätzen.

Gemäß den „Skalierungsgesetzen für neuronale Sprachmodelle“ von OpenAI ist das von großen Modellen vorgeschlagene Skalierungsgesetz

(Skalierungsgesetz)

Es ist ersichtlich, dass eine unabhängige Erhöhung der Trainingsdatenmenge die Wirkung des vorab trainierten Modells verbessern kann.

Dies ist nicht die Meinung von OpenAI.

DeepMind wies im Chinchilla-Modellpapier auch darauf hin, dass die meisten der vorherigen großen Modelle unzureichend trainiert waren, und schlug auch die optimale Trainingsformel vor, die in der Branche zu einem anerkannten Standard geworden ist.

△

Das Mainstream-Großmodell Chinchilla hat die wenigsten Parameter, aber das ausreichendste TrainingDie für das Training verwendeten Mainstream-Datensätze sind jedoch hauptsächlich auf Englisch, Wie Common Crawl, BooksCorpus, WiKipedia, ROOT usw. machen die beliebtesten chinesischen Common Crawl-Daten nur 4,8 % aus.

Wie ist die Situation mit dem chinesischen Datensatz?

Es gibt keine öffentlichen Datensätze – dies wird durch Qubits von Zhou Ming, Gründer und CEO von Lanzhou Technology und einem der versiertesten Chinesen im NLP-Bereich heute, bestätigt – wie zum Beispiel benannte Entitätsdatensätze MSRA-NER, Weibo- NER usw. Es gibt auch CMRC2018, CMRC2019, ExpMRC2022 usw., die auf GitHub zu finden sind, aber die Gesamtzahl ist im Vergleich zum englischen Datensatz ein Tropfen auf den heißen Stein.

Und einige von ihnen sind alt und kennen möglicherweise nicht die neuesten NLP-Forschungskonzepte (Forschung zu neuen Konzepten erscheint nur auf Englisch auf arXiv).

Obwohl qualitativ hochwertige chinesische Datensätze vorhanden sind, sind ihre Anzahl gering und ihre Verwendung umständlich. Dies ist eine schwerwiegende Situation, mit der sich alle Teams auseinandersetzen müssen, die groß angelegte Modellforschung betreiben. Auf einem früheren Forum der Fakultät für Elektronik der Tsinghua-Universität teilte Tang Jie, Professor an der Fakultät für Informatik der Tsinghua-Universität, mit, dass er bei der Vorbereitung von Daten für das Vortraining des 100-Milliarden-Dollar-Modells ChatGLM-130B mit der Situation konfrontiert war dass nach der Bereinigung der chinesischen Daten die nutzbare Menge weniger als 2 TB betrug.

Es ist dringend erforderlich, den Mangel an qualitativ hochwertigen Datensätzen in der chinesischen Welt zu beheben.

Eine der effektivsten Lösungen besteht darin, englische Daten direkt zum Trainieren großer Modelle zu verwenden.

In der Chatbot-Arena-Liste der von menschlichen Spielern bewerteten großen anonymen Arenen belegt GPT-3.5 den zweiten Platz in der nicht-englischen Rangliste

(der erste ist GPT-4)

. Sie sollten wissen, dass 96 % der GPT-3.5-Trainingsdaten auf Englisch vorliegen. Mit Ausnahme anderer Sprachen ist die Menge der für das Training verwendeten chinesischen Daten so gering, dass sie in „n Tausendstel“ berechnet werden kann.

Ein Doktorand in einem großen modellbezogenen Team an einer der drei besten Universitäten in China enthüllte, dass man, wenn diese Methode übernommen wird und nicht allzu mühsam ist, sogar eine Übersetzungssoftware mit dem zu konvertierenden Modell verbinden kann Alle Sprachen ins Englische, dann das Modell ausgeben, in Chinesisch konvertieren und an den Benutzer zurückgeben.

Das auf diese Weise gefütterte große Modell ist jedoch immer das englische Denken. Wenn es um Inhalte mit chinesischen Sprachmerkmalen geht, z. B. um das Umschreiben von Redewendungen, umgangssprachlichem Verständnis und um das Umschreiben von Artikeln, werden diese oft nicht gut gehandhabt, was zu Übersetzungsfehlern oder möglichen kulturellen Abweichungen führt .

Eine andere Lösung besteht darin, den chinesischen Korpus zu sammeln, zu bereinigen und zu kennzeichnen,

einen neuen hochwertigen chinesischen Datensatz zu erstellen und ihn an große Modelle bereitzustellen.

Open-Source-Datensatz, jeder sammelt Brennholz

Nachdem sie die aktuelle Situation bemerkt hatten, entschieden sich viele große inländische Modellteams für den zweiten Weg und begannen, private Datenbanken zur Erstellung von Datensätzen zu verwenden.

Baidu verfügt über inhaltliche ökologische Daten, Tencent über Daten zu öffentlichen Konten, Zhihu über Q&A-Daten und Alibaba über E-Commerce- und Logistikdaten.

Mit unterschiedlichen gesammelten privaten Daten ist es möglich, Kernvorteilsbarrieren in bestimmten Szenarien und Bereichen festzulegen. Durch die strikte Erfassung, Sortierung, Überprüfung, Bereinigung und Kennzeichnung dieser Daten kann die Wirksamkeit und Effizienz der Schulung sichergestellt werden Modell. Genauigkeit.

Die großen Modellteams, deren private Datenvorteile nicht so offensichtlich sind, begannen, Daten im gesamten Netzwerk zu crawlen (es ist absehbar, dass die Menge der Crawler-Daten sehr groß sein wird).

Um das Pangu-Großmodell zu erstellen, hat Huawei 80 TB Text aus dem Internet gecrawlt und ihn schließlich in einen 1 TB großen chinesischen Datensatz bereinigt; der im Inspur Source 1.0-Training verwendete chinesische Datensatz erreichte 5000 GB (im Vergleich dazu). zu den Trainingsdaten des GPT3-Modells (Die Satzgröße beträgt 570 GB). Das kürzlich veröffentlichte Tianhe Tianyuan-Großmodell ist auch das Ergebnis der Sammlung und Organisation globaler Webdaten durch das Tianjin Supercomputing Center und umfasst auch verschiedene Open-Source-Trainingsdaten und professionelle Felddatensätze.

Gleichzeitig kam es in den letzten zwei Monaten zu einem Phänomen, bei dem Menschen Brennholz für chinesische Datensätze sammelten –

Viele Teams haben nacheinander Open-Source-Daten für China veröffentlicht setzt, um die aktuelle Situation auszugleichen. Unzulänglichkeiten oder Ungleichgewichte in chinesischen Open-Source-Datensätzen.

Einige davon sind wie folgt organisiert:

• CodeGPT: Codebezogener Konversationsdatensatz, der von GPT und GPT generiert wird; dahinter Die Institution ist die Fudan-Universität.
• CBook-150k: Sammlung chinesischer Korpusbücher, einschließlich Download- und Extraktionsmethoden von 150.000 chinesischen Büchern, die viele Bereiche wie Geisteswissenschaften, Bildung, Technologie, Militär, Politik usw. abdecken. usw. ;Die Institution dahinter ist die Fudan-Universität.
• RefGPT: Um die teuren Kosten manueller Annotationen zu vermeiden, schlagen wir eine Methode vor, um faktenbasierte Dialoge automatisch zu generieren und zu erstellen Unser öffentlicher Teil Die Daten enthalten 50.000 chinesische Mehrrundengespräche; dahinter stehen NLP-Praktiker der Shanghai Jiao Tong University, der Hong Kong Polytechnic University und anderer Institutionen.
• COIG: Der vollständige Name lautet „China Common Open Instruction Data Set“, ein größerer und vielfältigerer Befehlsoptimierungskorpus, der manuell überprüft wird, um seine Qualität sicherzustellen Zu den gemeinsamen Institutionen dahinter gehören das Beijing Institute of Artificial Intelligence, die University of Sheffield, die University of Michigan, das Dartmouth College, die Zhejiang University, die Beihang University und die Carnegie Mellon University.
• Fantastische chinesische Rechtsressourcen: Chinesische Rechtsdatenressourcen, gesammelt und organisiert von der Shanghai Jiao Tong University.
• Huatuo: Datensatz für chinesische medizinische Anweisungen, der mithilfe des Medical Knowledge Graph und der GPT3.5-API erstellt wurde und auf dessen Grundlage LLaMA durchgeführt wurde Die Anweisungen wurden verfeinert, um die Frage-Antwort-Wirkung von LLaMA im medizinischen Bereich zu verbessern. Die Quelle des Projekts ist das Harbin Institute of Technology.
• Baize: Verwenden Sie eine kleine Anzahl von „Seed-Fragen“, damit ChatGPT mit sich selbst chatten und automatisch hochwertige Mehrrunden sammeln kann Konversationsdatenerfassung; Das Team der University of California, San Diego (UCSD) mit der Sun Yat-sen University und MSRA hat den mit dieser Methode gesammelten Datensatz als Open Source bereitgestellt.

Wenn mehr chinesische Datensätze als Open-Source-Lösungen bereitgestellt und ins Rampenlicht gerückt werden, begrüßt die Branche die Haltung und freut sich. Zum Beispiel die Haltung von Zhang Peng, Gründer und CEO von Zhipu AI:

Hochwertige chinesische Daten werden einfach im Boudoir versteckt. Jetzt ist sich jeder dieses Problems bewusst. Sie werden es natürlich tun. Es gibt entsprechende Lösungen, beispielsweise Open-Source-Daten.
Kurz gesagt, es entwickelt sich in eine gute Richtung, nicht wahr?

Es ist erwähnenswert, dass in dieser Phase zusätzlich zu den Daten vor dem Training auch menschliche Feedbackdaten unverzichtbar sind.

Fertige Beispiele liegen vor Ihnen:

Im Vergleich zu GPT-3 ist der wichtige Vorteil des ChatGPT-Overlays die Verwendung von RLHF (menschliches Feedback). Reinforcement Learning)#🎜 🎜#, generieren Sie qualitativ hochwertige, gekennzeichnete Daten zur Feinabstimmung, sodass sich große Modelle in eine Richtung entwickeln können, die den menschlichen Absichten entspricht.

Der direkteste Weg, menschliches Feedback zu geben, besteht darin, dem KI-Assistenten mitzuteilen, dass „Ihre Antwort falsch ist“, oder die vom KI-Assistenten generierte Antwort direkt zu mögen oder nicht zu mögen.

Sobald Sie es zum ersten Mal verwenden, können Sie eine Welle von Benutzerfeedback sammeln und den Schneeball rollen lassen. Aus diesem Grund beeilen sich alle, große Modelle herauszubringen . eins.

Jetzt bieten inländische ChatGPT-ähnliche Produkte, von Baidu Wenxinyiyan, Fudan MOSS bis Zhipu ChatGLM, alle Feedback-Optionen.

Aber in den Augen der meisten Nutzer ist das wichtigste Merkmal dieser großen Modellprodukte „Spielzeug“.

Wenn Sie auf eine falsche oder unbefriedigende Antwort stoßen, schließen Sie die Dialogoberfläche direkt, was der Sammlung menschlichen Feedbacks durch das große Modell dahinter nicht förderlich ist.

Das obige ist der detaillierte Inhalt vonDas Geheimnis der inländischen ChatGPT-„Shell' wurde nun gelüftet. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!