数据对LLM训练而言是至关重要的存在，但我们的关注点往往放在训练和评估数据，而会忽略微调数据。
比如Llama系列模型，虽然开放了权重（如Llama-3-Instruct），但微调数据集依旧是私有的。
LLM的成功有很大一部分取决于指令微调（instruction fine-tuning），这个过程能让模型更好地泛化到训练过程中没有接触过的任务。
正如训练的有效性依赖于训练语料的质量，指令微调的有效性也取决于能否获得高质量的指令数据集。
然而，相比于无标注的自监督训练语料，高质量微调和对齐数据集更加难以构建、扩展，因为需要更多人工标注，而且存在预先定义的提示范围。
就连专门为AI科技巨头提供数据的公司Scale AI，在目前阶段都无法实现自动化标注，甚至得高薪聘请专业人士参与微调和对齐数据集的构建。
Scale AI的CEO Alexandr Wang曾表示，LLM合成数据是一个很有前景的解决方案。
最近，华盛顿大学和研究机构Allen AI联合发表的一篇论文就专注于如何让对齐过的LLM合成高质量的微调数据。
论文地址：https://arxiv.org/abs/2406.08464
论文提出的方法实现了全流程的自动化，不需要任何种子问题。更为惊艳的是，代码不仅能在本地运行，而且用LLM自动生成了非常可靠的高质量数据。
他们用Llama-3-8B的Base模型在自己生成的SFT数据集上微调后，得到了比官方微调版本Llama-3-Instruct性能更强的模型。
论文得到了AI圈大佬Sebastian Raschka的转发背书。
起初，他也不相信这种方法真的能够在MacBook Air上本地运行，但亲自尝试后惊喜地发现，真的可以。
Raschka是多本技术畅销书的作者，包括《从头开始构建大语言模型》、《Python机器学习》等，他目前担任Lightning AI的研究工程师。
论文的第一作者Zhangchen Xu是华盛顿大学网络安全实验室的二年级博士生，师从Radha Poovendran教授，研究兴趣是机器学习的安全性、隐私性和公平性，目前关注如何构建可信LLM。
那就让我们仔细探究一下，这种高效的数据合成方法究竟如何实现。
方法概述
典型的LLM输入一般由3个部分组成：
- 查询前模版（pre-query template）
- 查询内容（query）
- 查询后模版（post-query template）
其中的两个模版一般由模型开发者预先定义，以保证正确地提示模型。
比如Llama-2-chat的输入形式就是:
[INST] Hi! [/INST]
在之前的研究中，通常有两种方法构建微调数据集。一是直接让人类手动制作，显然既耗时间又耗资源。二是从少量人工注释的种子指令开始，通过提示调用LLM以合成更多指令。
第二种方法虽然节省人力，但非常考验提示工程的水平，以及对初始种子问题的选择。换言之，很难实现可控的大规模扩展。
更为致命的问题是，合成的指令往往与种子指令十分接近，这会严重影响大规模数据集的多样性。用可扩展的方式，创建高质量且多样化的指令数据集，依旧是LLM领域具有挑战性的问题。
但作者在早期实验中的有一个有趣的发现：由于LLM的自回归特性，只输入查询前模版时，模型会自动合成查询，而且从内容来看，似乎有不错的质量和多样性。这表明它能够有效利用对齐过程中学习到的能力。
以此为启发，作者提出如下思路构建指令数据集：使用查询前模版作为提示，输入给对齐过的LLM，自动生成指令数据。
如下图所示，每个指令数据实例包含一个或多个指令-响应对（instructon-response pair），且会规定指令提供者（provider）与遵循者（follower）的角色。
图1描述了整个数据自动生成的pipeline，大体分为两个步骤。
首先是指令生成。MAGPIE方法将查询内容构建为LLM预定义指令模版的格式，但只包含指令提供者（如user），不包含具体的指令内容。
以此作为LLM输入，模型就会以自回归的方式生成指令。由于不需要特定的提示工程技巧，也没有使用任何种子问题，这个流程确保了生成指令的多样性。
第二步骤中，MAGPIE将之前生成的指令再输入给LLM，得到响应内容。
将以上两个步骤进行重复迭代，就能够得到多轮的指令数据。如果想针对某个特定领域生成数据，加上相应的提示即可实现。
得到原始的生成结果后，作者还根据文本长度、任务类别、输入质量、输入难度等指标进行了过滤。
论文分别使用Llama-3-8B-Instruct和Llama-3-70B-Instruct两个模型，构建了两个数据集MAGPIE-Air和MAGPIE-Pro，并在附录中给出了生成指令的示例：
可以看到，文本质量的确不错，完全可以与人类撰写的指令水平相当。
然而，想评估如此庞大规模数据的质量不能只依靠主观感受，于是作者对生成的指令数据集MAGPIE-Pro进行了定量分析。
数据集分析
覆盖度
要考量指令文本的多样化程度，一个有效指标是文本嵌入的在语义空间中的覆盖范围。
作者从MAGPIE-Pro中随机采样指令文本，编码为嵌入向量并用t-SNE方法投影到二维空间，同时采用三个基线数据集作为对比，包括Alpaca、Evol Instruct和UltraChat。
下图中的每个t-SNE投影点都代表随机抽取的1万条指令。可以看到，MAGPIE-Pro的投影基本将其他三个数据集的范围囊括在内，这表明它提供了更广泛、多样化的主题。
指令属性
论文使用Llama-3-8B-Instruct模型评估MAGPIE指令数据的各种属性，比如指令的任务类别、质量、难度、相似性和响应质量。
生成指令的任务类别主要是信息检索，占比超过一半，也包括创意性写作、寻求建议、规划、数学、推理、头脑风暴编辑等等，与人类用户的主流需求基本一致。
指令的质量和难度同样使用Llama-3-8B-Instruct模型进行自动评估。
可以看到两个数据集中，大部分实例都被判定为平均水平及以上，MAGPIE-Pro的总体质量优于MAGPIE-Air。
数据集指令难度的分布基本类似，超过60%集中在「简单」级别，且Pro数据集比Air略具挑战性。
通过计算指令相似度，可以从另一个侧面评估多样化程度。论文使用FAISS搜索每个文本嵌入的最近邻居并计算二者间距离，来衡量相似程度。
响应质量方面，采用FsfairX-LLaMA3-RM-v0.1作为奖励评估模型，同时以URIAL作为对比的基线模型。奖励差异为正值表示质量较高，有利于指令微调过程。
图5b可以看到，MAGPIE的数据分布相比基线模型整体右移且峰值更低，表明整体上响应质量更好。
安全性
此外，在指令安全性方面，作者采用Llama-guard-2进行自动评估，发现MAGPIE的数据集绝大部分是安全的，但仍然包含了不到1%的有害指令或响应结果。
结果评估
这项研究最大的亮点之一在于高效的运行成本，以及完全自动化、无需任何人工干预的pipeline。
在创建3M MAGPIE-Air数据集时，用4块A100 GPU运行1.55小时/50小时即可完成指令/响应的生成。生成1M MAGPIE-Pro数据集则分别需要3.5小时/150小时。
如果在云服务器上运行，成本也非常可观。每生成1k个实例花费为0.12美元或1.10美元，具体取决于是Air或Pro数据集。
为了真正体现MAGPIE方法的优势，论文将数据集真正运用到基座模型的微调中，与官方发布的微调版本进行对比。
作者选择了ShareGPT、Evol Instruct等6个最先进的开源指令微调数据集作为基线。其中ShareGPT和WildChat由人类撰写，Evol Instruct和UltraChat为合成数据集。
微调的基座模型包括Llama-3和Qwen-1.5，并选取AlpacaEval和Arena-Hard两个广泛采用的指标评估性能。
从两个表格的详细数据对比中可以发现，无论在哪个基座模型上，MAGPIE方法生成的数据集都有更高质量，优于所有的基线数据集，并且在绝大部分指标上优于官方发布的微调模型。
在LLM的scaling law逐渐触摸到数据墙时，这篇论文的方法为合成数据又打开了一扇希望之门。或许使用精心设计的算法与技巧，LLM合成数据能逐渐成为公开数据集的「中流砥柱」。
