Kaggle大模型竞赛优胜方案总结与思考

发布于 2024-12-4 12:47

浏览

0收藏

大家好，我是HxShine。

LLM的Reward模型该如何训练呢？今天对Kaggle LLM比赛LLM Science Exam 的一些优胜方法做一个总结，这是Kaggle竞赛平台第一次举办LLM相关比赛，赛题就是探索如何训练一个science-based Reward Model。

优胜方案中，如何利用RAG（检索增强）方法提高模型的上限，如何通过传统方法以及向量检索方法提高检索知识的质量，如何使用LoRA，QLoRA等技术对LLaMa2等系列进行微调，甚至在16GB内存的GPU上对70B大小的LLM进行推理[7]等很多技术都值得我们学习，相信大家看完会有所收获。

Kaggle大模型竞赛优胜方案总结与思考-AI.x社区

一、概述

Title：Kaggle - LLM Science Exam Use LLMs to answer difficult science questions

1.Motivation

Kaggle大模型竞赛优胜方案总结与思考-AI.x社区

Reward模型：简单来说就是用于判断LLM的输出哪个更好，辅助提升LLM的输出质量。它是一种用于强化学习的技术，用于改进生成式对话系统的性能，基本思想是通过奖励函数来引导模型生成更好的回复，
Reward模型是强化学习提高LLM表现的关键之一。Reward模型该如何建模？可以利用那些数据？如何训练？大模型好还是小模型好？都还有待进一步探索。
如何尽可能低成本的训练好的Reward模型？OpenAI的Reward模型用的是6B左右的模型[1]，成本更低的Reward模型方案也值得探索，该比赛通过限制GPU数量和推理时间来挖掘成本低，精度高的Reward模型训练方案。

2.Definition

赛题：从大模型生成的5个候选结果挑选3个最好的结果。即对于每一个问题prompt，LLM生成A、B、C、D、E五个答案，正确的答案answer只有一个，从LLM生成的5个结果中，选择前三的答案进行输出。其利用MAP@3计算分数。下面给出一个样例数据：

Prompt：

Which of the following statements accurately describes the impact of Modified Newtonian Dynamics (MOND) on the observed ""missing baryonic mass"" discrepancy in galaxy clusters?

A：

MOND is a theory that reduces the observed missing baryonic mass in galaxy clusters by postulating the existence of a new form of matter called "fuzzy dark matter."

B：

MOND is a theory that increases the discrepancy between the observed missing baryonic mass in galaxy clusters and the measured velocity dispersions from a factor of around 10 to a factor of about 20.

C：

MOND is a theory that explains the missing baryonic mass in galaxy clusters that was previously considered dark matter by demonstrating that the mass is in the form of neutrinos and axions.

D：

MOND is a theory that reduces the discrepancy between the observed missing baryonic mass in galaxy clusters and the measured velocity dispersions from a factor of around 10 to a factor of about 2.

E：

MOND is a theory that eliminates the observed missing baryonic mass in galaxy clusters by imposing a new mathematical formulation of gravity that does not require the existence of dark matter.

Answer:

评价指标：MAP@3: Mean Average Precision @ 3，𝑀𝐴𝑃@3=1𝑈∑𝑢=1𝑈∑𝑘=1𝑚𝑖𝑛(𝑛,3)𝑃(𝑘)×𝑟𝑒𝑙(𝑘)

资源要求：CPU或者GPU推理时间都不能超过9小时，不能接入外部网络。

训练数据：200条评估数据。

测试集：大概4000条数据。

3.难点分析

建模方法：题目要求我们对LLM生成的science-based的结果进行排序，其强烈依赖于science相关知识，如何对其建模非常关键，包括中后期大家发现引入外部知识（RAG）来进行增强可以极大的提升模型的上限。
建模数据：比赛只提供了200条测试数据，没有训练数据，同时待预测的数据大概4000+左右，20%在A榜，80%在B榜。
资源限制：比在只提供2*T4或者1*P100的GPU，时间限制为不超过9小时。

二、Methods

1.RAG vs Finetuning？[2]

Kaggle大模型竞赛优胜方案总结与思考-AI.x社区

RAG：这种方法将检索（或搜索）的能力集成到LLM中。它结合了一个检索系统和一个大模型，前者从大型语料库中获取相关文档片段，后者使用这些片段中的信息生成答案。本质上，RAG 帮助模型“查找”外部信息以改进其响应。

Kaggle大模型竞赛优胜方案总结与思考-AI.x社区

微调：这是采用预先训练的 LLM 并在较小的特定数据集上对其进行进一步训练的过程，以使其适应特定任务或提高其性能。通过微调，我们根据数据调整模型的权重，使其更适合我们应用程序的独特需求。

Kaggle大模型竞赛优胜方案总结与思考-AI.x社区

RAG+微调：在外部知识要求高的情况下，优先RAG，需要模型适配（风格行为词汇）等，就需要微调，两者要求都高的话，需要结合使用[5]。

三、关键优化思路总结

Kaggle大模型竞赛优胜方案总结与思考-AI.x社区

总体上，RAG + LLM结合的模型可以在知识来源、检索方法、基座模型及其尺寸、是否需要微调等多个方面进行优化，针对本次比赛，对我收集到的一些方法进行对比，方便大家参考。

1.检索增强与检索质量为王！

说明：主要探索不用RAG检索增强以及用了RAG检索增强的效果差异，如果不用RAG，模型很快就会到达瓶颈。

基座模型	方法	说明	LB分数	链接
deberta	without context	不利用检索的结果进行增强	0.732	https://www.kaggle.com/code/radek1/new-dataset-deberta-v3-large-training
deberta	wiki as context	利用wiki百科的数据进行增强	0.819	https://www.kaggle.com/code/cdeotte/how-to-train-open-book-model-part-1 https://www.kaggle.com/code/cdeotte/how-to-train-open-book-model-part-2
deberta	stem(270k)as context	利用stem相关的高质量结果进行检索增强	0.862	https://www.kaggle.com/code/mbanaei/86-2-with-only-270k-articles
LLM（7b/17b）	without context	直接用LLM，不用检索增强，很快就遇到瓶颈了	0.84	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446422
LLM（7b/17b）	wiki as context	利用wiki百科的检索数据来增强，同时基座模型用7B/13B左右的模型	0.90+	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446422v

总结1：没有检索增强RAG的引入，很快达到性能瓶颈。没有引入RAG，分数大概是0.73～0.84，第一名的解决方案[4]也提到如果没有检索增强，很快就遇到性能瓶颈，所以他们在RAG检索以及质量优化上都做了不少工作。

总结2：知识以及知识的质量非常关键，几乎是本场比赛的决定因素之一。例如同样的模型（deberta系列），270k的高质量数据LB分数可以到0.862左右，wiki的上下文LB分数只能到0.819左右，同时without context情况下LB只有0.732。另外第一名的解决方案[4]也探索了多种embedding的方案来检索高质量的上下文。15rd place solution[6]几乎把全部精力都放在检索端。

2.有哪些好的检索方法？

方法	说明	LB	链接
tfidf	利用tfidf传统方法来做检索增强	0.862	https://www.kaggle.com/code/mbanaei/86-2-with-only-270k-articles
tfidf+embedding	结合多类检索方法来做增强，甚至可以在检索测做TTS	0.905	tfidf方案：https://www.kaggle.com/code/mbanaei/86-2-with-only-270k-articles embedding方案：https://www.kaggle.com/code/dangnguyen97/wikipedia-rag
bm25（elastic sedarch）	利用bm25传统方法来做检索增强	0.9+?（第4名用了多种检索增强的方法来做，最终PB分数0.927）	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446307 https://www.kaggle.com/code/linshokaku/4th-elasticsearch-retrieval-example
embedding model	主要的考察点在用哪种embedding模型效果好？第一名尝试了MTEB Leaderboard上top-20模型，最终挑选了5个最好的模型模型	0.90+	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446422
ranker model	在检索的基础上，利用ranker模型进一步筛选更高质量的结果	0.90+	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446816
检索位置的影响（选项ABCDE不同位置有影响）	TTS增强：根据context或者答案的顺序来做TTS，增加多样性。有效果但是不太稳定。在final classification head添加每个选项的average logits，效果不错并且稳定。	0.90+，上限比较高!	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446422

总结1：传统检索方法效果也不错。在LLM领域，向量检索不一定比传统检索方法tfidf以及bm25效果好，特别是没有经过垂直领域的训练的embedding模型。例如86-2-with-only-270k-articles[2]中利用tfidf检索，效果比向量检索还稍微好一点。同时4th[2]方法，用elastic_search来检索文档（原理是bm25算法），也取得一个不错的效果。

总结2：检索的质量非常重要。为了提高检索质量，86-2-with-only-270k-articles[2]方法过滤筛选了270k相关的数据，效果相对于原始的wiki数据有了明显的提升。第一名的解决方案[4]提到筛选更相关的一些数据用处不大，可能是其挑选的embedding模型效果不错了，不会检索出质量不太好的结果出来。第15名的方法[6]利用ranker模型进一步筛选高质量的检索结果来提高最终表现。

总结3：检索侧可以用到的优化的方法：传统检索方法（es,tfidf,bm25,Lucene等）+ 向量检索（开源embedding模型, SimCSE[6]）+ 训练Ranker模型[6]。

3.基座模型该如何选择？

方法	模型	说明	最高排名	链接
传统模型	deberta + finetuning + RAG	deberta系列模型做微调后，结合RAG效果也不错，重点是需要优化检索效果	4rd private:0.927	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446307
中等模型（7B/13B）	Llama-2-7b Mistral-7B-v0.1 xgen-7b-8k-base Llama-2-13b + finetuning + RAG	7B/13B左右的模型，经过微调，同时结合RAG，在做融合，效果比较好	1rd private:0.933	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446358
大模型(70B)	debertas + Platypus(70B for hard question) + Xwin(70B) + reranker，其中Platypus(70B for hard question)以及reranker带来的提升比较大	大模型主要是解决hard question，带来一定提升	3rd private:0.928	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446358

总结1：小模型微调+高质量的检索结果上限也不错。第四名最终只用了deberta模型，另外在检索测利用es等方法做了很多优化，在检索侧做了TTS，最终拿到了第四名。

总结2：大模型微调（7B或者13B左右的模型）可能比小模型微调的上限更高。第一名利用7B左右的模型微调+RAG，一直摇摇领先。

总结3：70B模型zero-shot通用效果就不错，但是在有些方面还打不过微调后的小模型。70B+zero-shot模型大概能达到0.872，总体上表现还不错，但是离要拿到奖牌还有一定距离，微调70B左右的模型效果可能更好，但资源需求也更大，并且不方便做模型融合。

总结4：基座模型可能没那么重要，具体效果的话大概如下：7b/13b + fine-tuning > deberta + fine-tuning > 70b + zero-shot。

4.是否需要对模型在该领域数据上进行微调？

方法	是否微调	分数	链接
longformer/deberta + RAG	不微调	0.862(with RAG， longformer 未微调) 0.89(with RAG, deberta微调)	https://www.kaggle.com/code/mbanaei/86-2-with-only-270k-articles
deberta + 微调 + RAG	微调	0.762(without RAG) 0.90+(with RAG)	https://www.kaggle.com/code/mewmlelswm/lb-0-762-train-4-fold-and-ensemble https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446307
LLama7B Mistral 7B	不微调	0.656(without RAG) 0.853(with RAG)	https://www.kaggle.com/code/zzy990106/llama-7b-infer https://www.kaggle.com/code/goelyash/llm-science-mistral-7b
7B LLama2 + 微调 + RAG	微调	0.84+(without RAG) 0.90+(with RAG)	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446358
70B LLM + zero-shot + RAG	不微调	0.872(with RAG)	https://www.kaggle.com/code/zulqarnainali/explained-platypus2-70b-wikipedia-rag
70B LLM + 微调 + RAG	微调	0.914（with RAG）	https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446414

总结1：微调特别是小模型微调，能带来不错的提升。deberta模型微调+模型融合也能到0.927左右的分数，和其他模型的最终结果差异没那么大。

总结2：7B/13B左右的模型微调上限可能高于deberta系列模型的微调。第一名提到其7B左右的模型微调效果就已经很不错了（LB 0.92+），融合deberta模型已经不能带来提升了。

总结3：70B大小的模型其zero-shot能力已经相当不错了【需要结合RAG】。开源70B模型+zero-shot+RAG能达到PB 0.872的分数，效果还不错。

四、优胜方案要点分析

leaderboard	方法概述	关键因素	分数
1rd place solution	基座模型：Llama-2-7b，Mistral-7B-v0.1，xgen-7b-8k-base，Llama-2-13b + 是否微调：finetuning 检索增强：1. 探索MTEB top20 embedding模型，挖掘最好的5个。2. 探索更高的数据质量。3. 检索侧做TTS融合。验证策略：6k STEM数据。工程：推理加速，包括对context+prompt结果做缓存，优化推理速度，从而可以进行多模型融合。	检索质量，基座模型，工程能力	private:0.933
3rd place solution	基座模型：debertas + Platypus(70B for hard question) + Xwin(70B) 排序模型：reranker +0.912->0.927提升挺大的。更高的数据质量：利用https://github.com/attardi/wikiextractor收集更高质量的wiki数据	数据质量，模型融合 Platypus(70B for hard question) reranker筛选更高质量的context 总结：相当于利用70B模型有更好的通用能力来解决小模型表现不太好的case从而进行融合。	private:0.928
4rd place solution	基座模型：Deberta v3 Large 检索方法：Elasticsearch 检索排序：edit distance + sentence-transformers	检索质量：高质量的检索结果，以及在检索侧做很多TTS优化融合工作带来的提升。	private:0.927
5rd place solution	基座模型：Mistral 7B + Llama-70B 微调方法：QLoRA 检索方法：BM-25（Lucene），参考https://www.kaggle.com/code/strifonov/pyserini-scibert + 向量检索高质量数据：自己处理了wikipedia的数据增强方法：TTA 融合方法：7B模型简单问题（40%），70B模型苦难问题（60%），更长的context+70B模型预测前两个困难样本（5%）	融合方法：困难问题用70B模型来解决检索质量：BM25 + 向量检索结合 TTA增强等	private:0.926, public:0.928
7rd palce solution	基座模型：Deberta + LLM 检索方法：tfidf + sentence-transformer 验证集：130k STEM数据训练：QLoRA SFT训练（7B/13B）多级模型融合方法：简单模型解决阈值高的问题，模型融合解决稍微复杂一点的问题，LLM模型融合解决hard example	融合方法+检索方法	private:0.925, public:0.931
10rd palce solution	数据：dumps数据，cirrus数据，270k两种数据。检索方法：tfidf+向量（bge，gte，e5）切片方法：sliding window，top 10 chunks 模型：deberta	检索质量	private:0.922
14rd palce solution	数据：cirrussearch wiki dump（质量更好点）检索：向量检索（gte，bge，e5）模型：deberta 256 融合：TTA（检索结果）	检索结果融合：不同排序的context融合 [ 0, 1, 2, 3, 4, 5] [ 0, 6, 7, 8, 9, 10] [ 0, 11, 12, 13, 14, 15] [ 0, 16, 17, 18, 19, 20]	private:0.920
15rd palce solution	数据：6800k wikipedia + 270k 检索方法：tfidf + sentence model（simcse训练）检索排序： 6800k wiki -> sentence top1000 -> LBGRanker -> top30 -> sentence model -> top20 -> LB 0.885 270k tfidf/sentence -> top5/top8 paragraphs 模型：deberta	检索优化+排序模型+检索侧TTS	private:0.920，public:0.934

总结1：RAG检索对于最终效果非常重要。包括不断优化检索数据质量，利用多种检索策略（基于传统方法or基于向量），还可以通过ranker等方法筛选更好的结果。另外检索侧基于不同不用顺序的context做TTS也能带来不错的提升。

总结2：小模型微调效果也不错，大模型（70B）zero-shot能力非常强，大模型胜在通用能力。例如3rd方法采用小模型解决简单问题，大模型解决hard问题的融合策略。

总结3：7B/13B大小的模型可能会成为NLP竞赛的主力军。其模型上限效果不错，可能比deberta类似大小的模型效果更好，同时训练所需资源也较小。

详细解决思路可以参考：https://www.kaggle.com/competitions/kaggle-llm-science-exam/leaderboard

五、总结

RAG检索对于最终效果非常重要。包括不断优化检索数据质量，利用多种检索策略，基于传统方法（es，bm25，tfidf等），基于向量（开源方法，SimCSE训练），还可以通过ranker等方法筛选更好的结果都能带来不错的提升。
如何有效的检索上下文知识，如何有效的处理长文本知识是难点，还有待进一步探索。本次比赛发现，在检索侧基于不同组合，不同顺序的检索结果做TTS（一种数据侧做融合的方法）能带来非常不错的提升[4][8]。这意味着如果我们在检索侧，长文本理解侧可以做得更好，可能我们不会太依赖检索侧的TTS融合方法，从而降低推理成本。
大模型的zero-shot能力比较强，胜在通用能力不错。其意味着不微调就可以在很多任务上取得不错的效果。在本次竞赛中开源的70B模型+zero-shot+RAG效果0.875。
大模型for hard sample + 小模型for simple sample可能是一种不错的融合方式。利用了大模型的通用能力不错，在hard样本上也有着比较强的泛化能力，同时小模型易于训练，微调后在简单样本上表现好的特点。3rd place solution[9]就主要用的这种方法。
小模型(deberta等)特定领域做微调效果也有一定的发挥之力，同时其有成本优势。deberta微调+RAG可以到0.89左右，利用模型融合甚至可以到前几名0.92+。
7B/13B大小的模型可能会成为NLP竞赛的主力军。其模型上限效果不错，可能比deberta类似大小的模型效果更好，同时训练所需资源也较小。
强大的工程能力对LLM的继续发展也非常有用。例如让模型一层一层推理在16GB内存的GPU运行70B大模型[7]，以及第一名方案中，对context+prompt结果做缓存，可以减少大量重复上下文或者系统消息(system message)的tokens数量，从而优化LLM推理时间[4]。
总结提分点：RAG【检索方法，排序方法，TTS策略】 >> 13b+微调 > deberta/longformer + 微调 > 70b zero-shot。

六、References

[1] Ouyang L, Wu J, Jiang X, et al. Training language models to follow instructions with human feedback[J]. Advances in Neural Information Processing Systems, 2022, 35: 27730-27744.

[2] RAG vs Finetuning — Which Is the Best Tool to Boost Your LLM Application?https://towardsdatascience.com/rag-vs-finetuning-which-is-the-best-tool-to-boost-your-llm-application-94654b1eaba7

[3] 利用tfidf传统方法检索相关文档：https://www.kaggle.com/code/hxshine/86-2-with-only-270k-articles?scriptVersinotallow=144092114

[4] 1rd Place Solution：https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446422

[5] 大模型Kaggle比赛首秀冠军方案总结:https://mp.weixin.qq.com/s/mhLOYWA9KEDANVdkoUpP-Q

[6] 15rd place solution: https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446816

[7] 利用16GB内存运行70B大模型：https://www.kaggle.com/code/zulqarnainali/explained-platypus2-70b-wikipedia-rag

[8] 4rd Place Solution：https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446307

[9] 3rd Place Solution：https://www.kaggle.com/competitions/kaggle-llm-science-exam/discussion/446358

本文转载自NLP PaperWeekly，作者： NLP PaperWeekly

标签

kaggle

大模型