合成資料已經成為了大語言模型演化之路上最重要的一塊基石了。
去年底，有網友曝出前OpenAI首席科學家Ilya多次表示LLM的發展沒有資料瓶頸，合成資料可以解決大部分問題。
圖片
英偉達資深科學家Jim Fan在研究了最新一批論文後得出結論，他認為將合成數據與傳統遊戲和影像生成技術結合，可以讓LLM實現巨大的自我進化。
圖片
而正式提出這個方法的論文，是由來自UCLA的華人團隊。
圖片
論文網址：https://www.php.cn/link/236522d75c8164f90a85448456e1d1aa
他們使用自我對弈機制（SPIN）產生合成數據，並透過自我微調的方法，不依賴新的數據集，將表現較弱的LLM在Open LLM Leaderboard Benchmark上的平均分數從58.14提升至63.16。 
研究人員提出了一種名為SPIN的自我微調的方法，透過自我對弈的方式－LLM與其前一輪迭代版本進行對抗，從而逐步提升語言模型的效能。 
圖片
這樣就不需要額外的人類標註資料或更高階語言模型的回饋，也能完成模型的自我進化。
主模型和對手模型的參數完全一致。用兩個不同的版本進行自我對弈。
對弈過程用公式可以概括為：
#自我對弈的訓練方式，總結起來思路大概是這樣：
透過訓練主模型來區分對手模型產生的反應和人類目標反應，對手模型是輪迭代獲得的語言模型，目標是產生盡可能難以區分的響應。
假設第t輪迭代得到的語言模型參數為θt，則在第t 1輪迭代中，使用θt作為對手玩家,針對監督微調資料集中每個prompt x，使用θt產生響應y'。
然後優化新語言模型參數θt 1,使其可以區分y'和監督微調資料集中人類響應y。如此可以形成一個漸進的過程,逐步逼近目標響應分佈。
這裡，主模型的損失函數採用對數損失，考慮y和y'的函數值差。
對手模型加入KL散度正規化，防止模型參數偏離太多。
具體的對抗賽局訓練目標如公式4.7所示。從理論分析可以看出,當語言模型的反應分佈等於目標反應分佈時,最佳化過程收斂。
如果使用對弈之後產生的合成資料進行訓練，再使用SPIN進行自我微調，能有效提升LLM的效能。 
圖片
###但之後在初始的微調資料上再次簡單地微調卻又會導致效能下降。 ######
而SPIN只需要初始模型本身和現有的微調資料集，就能讓LLM透過SPIN獲得自我提升。
特別是，SPIN甚至超越了透過DPO使用額外的GPT-4偏好資料訓練的模型。
圖片
而且實驗也表明，迭代訓練比更多epoch的訓練能更有效地提升模型表現。
圖片
延長單次迭代的訓練持續時間不會降低SPIN的效能，但會達到極限。
迭代次數越多，SPIN的效果的就越明顯。
網友在看完這篇論文之後感嘆：
#合成資料將主宰大語言模型的發展，對於大語言模型的研究者來說將會是非常好的消息！
圖片
自我對弈讓LLM能持續提升
具體來說，研究人員所發展的SPIN系統，是由兩個相互影響的模型相互促進的系統。
用
表示的前一次迭代t的LLM，研究人員使用它來產生對人工註解的SFT資料集中的提示x的回應y 。
接下來的目標是找到一個新的LLM
#，能夠區分
生成的反應y和人類生成的響應y'。
這個過程可以看作是一個兩人遊戲：
#主要玩家或新的LLM
試圖辨別對手玩家的反應和人類生成的反應，而對手或舊的LLM
產生反應與人工註解的SFT資料集中的資料盡可能相似。
透過對舊的
進行微調而獲得的新LLM
更喜歡
的回應，從而產生與
更一致的分佈
。
在下一次迭代中，新獲得的LLM
成為反應生成的對手，自我對弈過程的目標是LLM最終收斂到
，使得最強的LLM不再能夠區分其先前產生的反應版本和人類生成的版本。
如何使用SPIN提升模型效能
#研究人員設計了雙人遊戲，其中主要模型的目標是區分LLM產生的反應和人類生成的回應。同時，對手的作用是產生與人類的反應無法區分的反應。研究人員的方法的核心是訓練主要模型。
首先說明如何訓練主要模型來區分LLM的回覆和人類的回應。
研究人員方法的核心是自我賽局機制，其中主玩家和對手都是相同的LLM，但來自不同的迭代。
更具體地說，對手是上一次迭代中的舊LLM，而主玩家是當前迭代中要學習的新LLM。在迭代t 1時包括以下兩個步驟：（1）訓練主模型，（2）更新對手模型。
訓練主模型
#首先，研究人員將說明如何訓練主玩家區分LLM反應和人類反應。受積分機率度量（IPM）的啟發，研究人員制定了目標函數：
#更新對手模型
對手模型的目標是找到更好的LLM，使其產生的反應與主模型的p資料無異。
實驗
SPIN有效提升基準效能
研究者使用HuggingFace Open LLM Leaderboard作為廣泛的評估來證明SPIN的有效性。
在下圖中，研究人員將經過0到3次迭代後透過SPIN微調的模型與基本模型zephyr-7b-sft-full的性能進行了比較。
研究人員可以觀察到，SPIN透過進一步利用SFT資料集，在提高模型效能方面表現出了顯著的效果，而基礎模型已經在該資料集上進行了充分的微調。
在第0次迭代中，模型反應是從zephyr-7b-sft-full產生的，研究人員觀察到平均分數總體提高了2.66%。
在TruthfulQA和GSM8k基準測試中，這項改進尤其顯著，分別提高了超過5%和10%。
在迭代1中，研究人員採用迭代0中的LLM模型來產生SPIN的新回應，並遵循演算法1中概述的流程。
此迭代平均產生1.32%的進一步增強，在Arc Challenge和TruthfulQA基準測試中尤其顯著。
隨後的迭代延續了各種任務增量改進的趨勢。同時，迭代t 1時的改進自然更小
圖片
zephyr-7b-beta是從zephyr-7b- sft-full衍生出來的模型，使用DPO在大約62k個偏好資料上訓練而成。
研究人員注意到，DPO需要手動輸入或高階語言模型回饋來確定偏好，因此資料產生是一個相當昂貴的過程。
相較之下，研究者的SPIN只需要初始模型本身就可以。
此外，與需要新資料來源的DPO不同，研究人員的方法完全利用現有的SFT資料集。
下圖顯示了SPIN在迭代0和1（採用50k SFT資料）與DPO訓練的表現比較。
圖片
研究人員可以觀察到，雖然DPO利用了更多新來源的數據，但基於現有SFT數據的SPIN從迭代1開始，SPIN甚至超越了DPO的性能、SPIN在排行榜基準測試中的表現甚至超過了DPO。
參考資料：
https://www.php.cn/link/236522d75c8164f90a85448456e1d1aa
