指令微調(diào)是引導(dǎo)語言模型落地、構(gòu)建高性能對話模型的關(guān)鍵一步。針對目前開源的指令數(shù)據(jù)集質(zhì)量低、覆蓋領(lǐng)域少、數(shù)據(jù)信息不透明等問題，智源研究院推出了千萬級指令微調(diào)數(shù)據(jù)集Infinity Instruct。該數(shù)據(jù)集今年6月發(fā)布，近日完成了新一輪迭代，包括Infinity-Instruct-7M基礎(chǔ)指令數(shù)據(jù)集和Infinity-Instruct-Gen對話指令數(shù)據(jù)集。

Infinity-Instruct-7M包含744萬條數(shù)學(xué)、代碼、常識問答等領(lǐng)域的基礎(chǔ)指令數(shù)據(jù)，用于進(jìn)一步全面提升預(yù)訓(xùn)練模型的基礎(chǔ)能力。Opencompass測試結(jié)果顯示，經(jīng)過在Infinity-Instruct-7M數(shù)據(jù)集上的微調(diào)，Llama3.1-70B、Mistral-7B-v0.1綜合能力評價(jià)可基本對齊官方自己發(fā)布的對話模型，且InfInstruct-7M-Mistral-7B的綜合評分超過了GPT-3.5，InfInstruct-7M-Llama3.1-70B已十分接近GPT-4。

*官方匯報(bào)結(jié)果

Infinity-Instruct-Gen包含149萬條合成的復(fù)雜指令，用于提升模型在各種真實(shí)對話場景中回復(fù)的魯棒性。基于該數(shù)據(jù)，對經(jīng)過Infinity-Instruct-7M增強(qiáng)的模型做進(jìn)一步SFT，即可取得超過官方對話模型的效果。而大多數(shù)的官方對話模型除了做基本的SFT外，還會做DPO/RLHF等對齊訓(xùn)練以提升模型的對話能力，產(chǎn)生額外的訓(xùn)練成本。

智源在MTBench、AlpacaEval2、Arena-Hard三個(gè)主流榜單上評測了Infinity-Instruct 7M+Gen對模型對話能力的增益，其中，AlpacaEval2和Arena-Hard與真實(shí)人類評價(jià)榜單Chatbot Arena有很高的一致率，MTBench則評測模型的多輪對話能力。

如下左圖所示，InfInstruct-7M-Gen-Mistral-7B，InfInstruct-7M-Gen-Llama3.1-8B，InfInstruct-7M-Gen-Llama3.1-70B等經(jīng)過Infinity Instruct微調(diào)的模型已經(jīng)超越了官方對話模型的性能。Arena-Hard上InfInstruct-7M-Gen-Llama3.1-70B（66）超過了Llama3.1-70B-Instruct(55.7)和Llama3.1-405B-Instruct（64.1）。此外，如右下圖所示，AlpacaEval2.0榜單上，InfInstruct-7M-Gen-Llama3.1-70B（46.1）更是超過了GPT4-0314（35.3），非常接近GPT4-1106（50）的水準(zhǔn)，真正實(shí)現(xiàn)了GPT-4級別的對話能力。

Infinity Instruct數(shù)據(jù)集今年6月在Flopsera，Huggingface等平臺發(fā)布后，快速到達(dá)了Huggingface Dataset的Trending第一，且吸引大量基于Infinity Instruct的開源微調(diào)工作。

下載使用 Infinity-Instruct可在Huggingface、DataHub、Flopsera等平臺下載。

Huggingface: https://huggingface.co/datasets/BAAI/Infinity-Instruct

DataHub: https://data.baai.ac.cn/details/InfinityInstruct

Flopsera: http://open.flopsera.com/flopsera-open/details/InfinityInstruct

Huggingface提供了快速下載Infinity-Instruct系列數(shù)據(jù)集及模型的代碼。

##數(shù)據(jù)集下載 
 
from datasets import load_dataset 
dataset_7M = load_dataset('BAAI/Infinity-Instruct','7M',split='train') 
dataset_Gen = load_dataset('BAAI/Infinity-Instruct','Gen',split='train') 
 
##模型下載 
 
from transformers import AutoModelForCausalLM, AutoTokenizer 
model_llama3_1_70B = AutoModelForCausalLM.from_pretrained("BAAI/Infinity-Instruct-7M-Gen-Llama3_1-70B", 
 
    torch_dtype=torch.bfloat16, 
 
    device_map="auto" 
 
) 
 
tokenizer_llama3_1_70B = AutoTokenizer.from_pretrained("BAAI/Infinity-Instruct-7M-Gen-Llama3_1-70B") 
 
model_mistral_7B = AutoModelForCausalLM.from_pretrained("BAAI/Infinity-Instruct-7M-Gen-Mistral-7B", 
 
   torch_dtype=torch.bfloat16, 
 
   device_map="auto" 
 
) 
 
tokenizer_mistral_7B = AutoTokenizer.from_pretrained("BAAI/Infinity-Instruct-7M-Gen-Mistral-7B")

Infinity-Instruct給每一條指令數(shù)據(jù)標(biāo)注了語種、能力類型、任務(wù)類型、數(shù)據(jù)來源等信息，便于使用者根據(jù)自身需要篩選數(shù)據(jù)子集。

技術(shù)路線

智源研究院搜集了7500萬余條開源指令作為待選指令池，采用數(shù)據(jù)選擇與指令合成兩條途徑快速迭代，構(gòu)建高質(zhì)量的基礎(chǔ)、對話指令數(shù)據(jù)集，以填補(bǔ)開源對話模型與GPT-4之間的基礎(chǔ)能力、對話能力差距。

基礎(chǔ)指令數(shù)據(jù)篩選

對于基礎(chǔ)指令數(shù)據(jù)集，篩選流程主要考慮訓(xùn)練數(shù)據(jù)集和目標(biāo)數(shù)據(jù)集數(shù)據(jù)分布的對齊，基于DSIR的思路，在訓(xùn)練數(shù)據(jù)集上進(jìn)行排序，選取訓(xùn)練集的子集，擬合目標(biāo)數(shù)據(jù)集的分布。

對話數(shù)據(jù)集生成、進(jìn)化、評價(jià)

對于對話指令數(shù)據(jù)集，Infinity-Instruct首先采樣了部分高質(zhì)量的開源指令集，并為每條指令分配一組標(biāo)簽，描述完成指令所需的能力和知識。標(biāo)簽系統(tǒng)共有兩個(gè)級別：

第一級標(biāo)簽： 宏觀類別，如 "自然語言處理 "和 "數(shù)學(xué)推理"。共包括 26 個(gè)類別。

第二集標(biāo)簽：刻畫具體任務(wù)，包含超過1.5w個(gè)類別。

基于此系統(tǒng)，就能識別指令集的內(nèi)容分布以及完成不同任務(wù)所需的能力，構(gòu)建一個(gè)高質(zhì)量的種子數(shù)據(jù)集。隨后，Infinity-Instruct參考WizardLM的方法對種子指令在廣度、深度方向上進(jìn)行擴(kuò)展，并用AI Agent從指令合規(guī)性的角度剔除未能進(jìn)化的數(shù)據(jù)。最后，進(jìn)化后的指令作為初始輸入，使用AI Agent扮演不同角色，為每條指令生成 2 至 4 輪對話。

數(shù)據(jù)去污、去重

為避免構(gòu)造的數(shù)據(jù)存在自身重復(fù)、或與評測榜單重復(fù)的樣本，Infinity-Instruct對所有數(shù)據(jù)應(yīng)用了MinHash進(jìn)行去重。并基于BGE檢索剔除了和AlpacaEval、MT-Bench等評測榜單重復(fù)的樣本。

訓(xùn)練框架

考慮到微調(diào)成本，項(xiàng)目使用FlagScale去掉訓(xùn)練樣本中不必要的pad，壓縮樣本量，同時(shí)應(yīng)用模型切分、切分支持大模型在數(shù)百萬量級指令數(shù)據(jù)集上的訓(xùn)練。初步測試可比傳統(tǒng)微調(diào)框架，如FastChat+Accelerate快三倍以上。

未來規(guī)劃 Infinity Instruct未來將開源基礎(chǔ)、對話指令數(shù)據(jù)處理的全流程代碼，以及模型訓(xùn)練代碼。同時(shí)，智源將探索擴(kuò)展Infinity Instruct數(shù)據(jù)策略到對齊、預(yù)訓(xùn)練階段，支持語言模型構(gòu)建全生命周期的高質(zhì)量數(shù)據(jù)需求。

Infinity RLAIF：基于Infinity Instruct標(biāo)簽體系以及生成指令構(gòu)建了50K 對齊數(shù)據(jù)的第一個(gè)版本，實(shí)驗(yàn)結(jié)果顯示，Infinity-Gemma-2-9B-SimPO 在AlpacaEval上達(dá)到 73.4，在Arena Hard上達(dá)到 59.1。未來會進(jìn)行更多對齊數(shù)據(jù)、算法的探索。

Infinity Math：基于多個(gè)開源數(shù)學(xué)數(shù)據(jù)集構(gòu)建了可無限擴(kuò)增的數(shù)學(xué)領(lǐng)域指令數(shù)據(jù)集，其中POT指令數(shù)據(jù)可提升在多個(gè)7B的基礎(chǔ)語言模型和基礎(chǔ)代碼模型的zero-shot數(shù)學(xué)能力180%-510%，相關(guān)論文被CIKM 2024接收，歡迎引用。

@misc{zhang2024inifinitymath, 
 
    title={InfinityMATH: A Scalable Instruction Tuning Dataset in Programmatic Mathematical Reasoning}, 
 
    author={Bo-Wen Zhang and Yan Yan and Lin Li and Guang Liu}, 
 
    year={2024}, 
 
    eprint={2408.07089}, 
 
    archivePrefix={arXiv}, 
 
    primaryClass={cs.LG}, 
 
    url={https://arxiv.org/abs/2408.07089}, 
 
}