大模型場景微調(diào)里面，最關(guān)鍵地的一個是問題是：

選擇什么樣的數(shù)據(jù)微調(diào)？

大的方向上大家都能把握，大概無非是要注意數(shù)據(jù)的多樣性，要注意數(shù)據(jù)的質(zhì)量，那在實踐中有哪些技巧呢？

比如我們會經(jīng)常遇到下面幾種情況：

1.數(shù)據(jù)要不要都去標注，標的比較慢咋辦？

2.我已經(jīng)有一批標好的數(shù)據(jù)了，再去選哪些數(shù)據(jù)送標注比較好？

3.能不能總結(jié)出一套數(shù)據(jù)構(gòu)造方面自動化的方法？

其實在大模型之前，就有很多人研究過這樣的問題。在做一個模型時候，比如簡單的文本分類，我不可能一股腦把所有數(shù)據(jù)都扔給標注，這樣干存在一個問題，一般情況下我們數(shù)據(jù)的分布都是符合一個長尾分布的。主要的幾個類別數(shù)據(jù)占據(jù)了90%的數(shù)據(jù)量，剩下的90%的類別只有10%的數(shù)據(jù)量。

比如小紅書上，query的意圖識別里，美食，穿搭，旅游攻略類非常多，但是還有一些同學去搜大模型微調(diào)的數(shù)據(jù)技巧。

如果說我們直接采樣一批線上的圖文文本，直接送給標注的話，會存在一個嚴重的問題：他們標注的數(shù)據(jù)大部分都是攻略類，技術(shù)類比較少，標了3個月才攢了幾千條大模型技術(shù)文本，但是攻略類已經(jīng)成幾萬了。

這樣搞肯定是不行的，人力成本方面的消耗是在是太大了，并且模型因為數(shù)據(jù)平衡的問題也沒有特別好，我們有沒有辦法去優(yōu)化這個過程呢？

在大模型微調(diào)里面對應的生成小紅書文案場景，同樣的問題也是爬來的數(shù)據(jù)就可以直接用嗎？

大家都有個直觀的答案，就是去重，那我們再考慮模型上數(shù)據(jù)的迭代呢？如果數(shù)據(jù)是分階段爬去的怎么辦？已經(jīng)有一批人工處理的的高質(zhì)量數(shù)據(jù)怎么辦？

但其實從監(jiān)督學習的演進來看，這套東西其實已經(jīng)被研究的很多了，用一個技術(shù)名詞叫 “主動學習”。

主動學習有兩個基本原則，在監(jiān)督訓練的時候，注意主動發(fā)現(xiàn)數(shù)據(jù)的兩個方面，一個是數(shù)據(jù)多樣性，另外一個是數(shù)據(jù)的不確定性。這樣講是比較抽象的概念，那我們在大模型實踐中如何體現(xiàn)呢？

第一，數(shù)據(jù)的多樣性。

多樣性即為數(shù)據(jù)的去重，去重這件事的核心是相似度度量，現(xiàn)在的相似度度量方法大家用的比較多的是基于對比學習構(gòu)造的語義向量這套思路，當然簡單的基于詞袋或者tfidf的方案也是可以的。有了核心的相似度度量方法后，我們可以使用簡單的onepass聚類方法進行過濾，考慮復雜一點的話，我們可以使用帶優(yōu)化目標的聚類：比如K-Center-Greedy算法，其約束條件是在最大化多樣性的情況下，使指令數(shù)據(jù)集最小。

另外，如果我們已經(jīng)有了一批已經(jīng)去重的人工處理過的高質(zhì)量數(shù)據(jù)，那么我們?nèi)绾螌ふ遗c這批數(shù)據(jù)不一樣的數(shù)據(jù)呢？

這里有一個非常簡單實用的方案，并且這個方案可以用在很多其他的地方。

我們簡單地把已有的數(shù)據(jù)全部當成正樣本打上1，然后待篩選的數(shù)據(jù)全部當成負樣本打上0，我們使用deberta等構(gòu)建二分類模型，并進行K-fold的交叉驗證，在交叉驗證過程中，選出每一個fold過程中的測試集合里概率接近于0的樣本。

通過這樣的操作，就能把長得與已有數(shù)據(jù)不一樣的數(shù)據(jù)給選出來了，并且這個過程是半監(jiān)督的。

這套方案也可以用在很多其他地方，比如數(shù)據(jù)質(zhì)量選擇，只要我們有一批已經(jīng)確定標簽/結(jié)果/標注的種子數(shù)據(jù)，就能通過這樣的方法選出與種子數(shù)據(jù)長得比較像的，長得不像的。

第二，數(shù)據(jù)的不確定性。

數(shù)據(jù)的不確定性主要體現(xiàn)數(shù)據(jù)的質(zhì)量篩選上，選取模型學的不那好的數(shù)據(jù)，模型沒有把握的數(shù)據(jù)。

最簡單的，我們可以選出模型對應PPL值比較差的那批數(shù)據(jù)。如果是指令數(shù)據(jù)的話，比如大模型做題和對應的答案。我們可以把所有選項對應的概率之和計算出來，然后過濾出概率和比較低的那一批數(shù)據(jù)，這批數(shù)據(jù)就是模型“不太肯定”的樣本，我們需要加強針對性的訓練。

當然這樣可能有一個副作用，就是這批數(shù)據(jù)是質(zhì)量比較差而不是模型學的不太好的。

為此，我們還要借助reward model，這個reward model是廣義的，他是一個質(zhì)量的二分類模型?？梢约莱鑫覀兊膁eberta，繼續(xù)用標注數(shù)據(jù)進行做二分類，進行數(shù)據(jù)質(zhì)量的判斷。

有了質(zhì)量打分模型后，我們就可以判斷一些指令數(shù)據(jù)的質(zhì)量高低，并且據(jù)此選出模型真正不確定的數(shù)據(jù)。

這個過程類似于手動的拒絕采樣，核心是選擇“模型不確定”+“數(shù)據(jù)質(zhì)量達標”的那部分數(shù)據(jù)。

總結(jié)一下，監(jiān)督學習中主動學習的兩個基本原則是尋找多樣性的數(shù)據(jù)，模型不確定性的數(shù)據(jù)，在尋找的過程中，我們使用了一些小技巧，比如聚類去重，對抗半監(jiān)督過濾，自建reward二分類等方法。這幾個小技巧，學術(shù)上沒有什么高深莫測的東西，都是實踐中總結(jié)出來的好用的方法。

并且你把上面的過程串聯(lián)起來，其實就是一套高效率，低成本的數(shù)據(jù)構(gòu)造pipeline了，不僅可以用在大模型的數(shù)據(jù)選擇和構(gòu)造，在所有的監(jiān)督學習上，這套思路和方法都是實適用的。

審核編輯：黃飛