Epoch AI上个月刚刚发文预言「数据墙」迫近，结果英伟达转头就甩出了340B开源巨兽Nemotron。
真实数据稀缺可能不再是问题了，Nemotron 9T token的预训练预料中，98%都是合成数据。
也许你还对合成数据存在顾虑，或者不知道如何应用LLM驱动数据生成。或许，英伟达的这篇博客可以提供答案。
原文地址：https://developer.nvidia.com/blog/creating-synthetic-data-using-llama-3-1-405b/?linkId=100000275486093
首先我们需要理解，用LLM合成数据的本质究竟是什么？
合成数据并不是「从无到有」地创造新信息，而是对现有信息进行转换，生成不同的变体。
实际上，合成数据在AI领域的应用已经有十多年的历程，比如物体检测或分类系统中曾经的数据增强技术。
那么，LLM带来了什么新变化呢？
从「需求端」来看，由于模型需要大量训练语料，合成数据的动机被大大增强。
而在「供给端」，生成式语言模型也为合成数据技术带来了质的改变。
用合成数据微调基座模型，可以更好地应用于实际场景。例如，在金融领域改进风险评估、在零售领域优化供应链、在电信领域提升客户服务，以及在医疗领域改善患者护理等等。
尤其是405B开源巨兽Llama 3.1最近正式上线，既可用于批处理和在线推理，也可以作为基座模型，进行特定领域的专门预训练或微调。
尤其是考虑到Llama 3.1有如此大的参数规模，加上丰富的15.6T token训练数据，非常适合用于数据生成。
这篇博客文章将介绍几个合成数据的生成与应用案例，并就其中一个进行深入探讨。
- 合成数据的生成是推动GenAI在特定领域应用的关键工作流程
- 将最新的Llama 3.1与英伟达Nemotron-4 340B奖励模型配合使用，非常适用于生成合成数据
- 要让LLM生成基于最新信息的有根据的响应，构建RAG流程十分重要，而且模型响应的准确性取决于流程的质量。
LLM合成数据如何应用于GenAI
改进语言模型
要通过合成数据来微调模型，大致有两种方法——知识蒸馏（knowledge distillation）和自我改进（self-improvement）。
知识蒸馏是将大模型的能力转移到较小模型的过程，但不是简单地在同一个数据集上训练两个模型，因为较小模型很难学习到底层数据的准确表征。
在这种情况下，我们可以先让大模型完成任务，再使用这些数据指导小模型进行。
自我改进则是让同一个模型评判自己的推理过程，常被用于进一步磨练模型的能力。
让我们来看看如何实现这一目标。训练语言模型通常包括三个步骤：预训练、微调和对齐（alignment）。
预训练
预训练通常需要极其庞大的语料库，使模型了解语言的一般结构。
Llama 3.1、GPT-4这种通用LLM，一般需要互联网规模的数据。而特定领域的LLM（如几何学、放射学、电信行业等）则需要注入相关的领域信息，这个过程被称为领域自适应预训练（Domain Adaptive Pretraining，DAPT）。
除了要贴近相关领域，另一种在预训练阶段使用合成数据的例子当属Phi-1.5模型，目的是注入逻辑推理能力。
微调
掌握了语言的一般结构后，下一步就是微调，让模型更好地遵循指令、完成特定任务。
比如，要让模型提高逻辑推理能力、实现更好的代码生成和函数调用，或者提升阅读理解类任务的表现，都可以通过微调来实现。
Self-Instruct、WizardCoder、Alpaca等模型都通过创建特定领域的数据并进行微调，来定向提升模型能力。
对齐
最后，我们希望确保模型响应的风格和语气与用户期望一致，例如听起来像对话、具有适当的详细程度、复杂性、一致性等。
可以创建一个包含指令模型（instruct model）和奖励模型（reward model）的流水线来实现这个需求。
先让模型对同一问题创建多个响应，然后让奖励模型对这些相应的质量进行反馈。这种方法属于从AI反馈中进行强化学习（Reinforcement Learning from AI Feedback, RLAIF）。
改进其他模型和系统
除了改善语言模型本身，合成数据还可以应用于LLM邻接模型（LLM-adjacent model）以及LLM驱动的流水线。
最经典的例子就是检索增强生成（Retrieval Augmented Generation，RAG），先用嵌入模型来检索相关信息，再让语言模型生成最终答案。
在这个过程中，我们可以使用LLM来解析底层文档和合成数据，从而评估并微调嵌入模型。
类似于RAG，任何智能体（Agentic）流水线都可以被评估，其组件模型也可以被微调，实现方式就是用LLM驱动的智能体来构建模拟。
这些模拟还可以用于研究行为模式，此外，也可以在LLM中设定特定角色，以针对特定任务进行大规模数据生成。
使用合成数据评估RAG
为了更好地理解上述讨论，我们来思考一个基本的流程，应用于一个具体的用例——为检索过程生成评估数据。
下述流程的实现代码已经上传至GitHub。
项目地址：https://github.com/NVIDIA/NeMo-Curator/tree/main/tutorials/synthetic-retrieval-evaluation
要创建用于评估检索流程的数据，主要面临以下2个挑战：
- 多样性：问题不应只关注信息的单一方面或仅包含提取性问题
- 复杂性：生成的问题应需要一些推理或多个证据来回答
我们将重点关注多样性，但为了探索复杂性角度——关键是找到具有重叠信息点的内容块。找到重叠信息的几种方法包括计算句子级语义的Jaccard相似度，并利用长上下文模型找到同一文档的不同块之间的关联。
多样性源自不同的视角，比如考虑如下文本：
对于同一篇文档，金融分析师可能对两家公司合并前后的财务状况感兴趣，法律专家可能关注公司面临的来自FTC、欧盟和其他方的法律审查，记者则希望了解事实要点。
所有这些都是有效的视角和用户角色。由于他们以不同的视角看待相同的信息，因此评估流程也需要适应这些视角。
因此，让我们设计一个评估流程，该流程以文档和用户角色作为输入，并以符合角色的语气输出问题。
图1. 三步流程的概述：生成用于评估检索过程的合成数据
如图1所示，这个评估流程有三个主要步骤。
步骤1：生成所有可能的问题
这些问题都是用户角色可能感兴趣的。
步骤2：筛选出相关的问题
从生成的问题中筛选出最相关和有价值的问题。
步骤3：引入用户角色的写作风格
将筛选出的问题转换为符合用户角色写作风格的形式。
通过这三个步骤，可以确保不同用户角色获得他们所需的信息，并以他们熟悉的方式呈现。
步骤1：生成问题
在生成问题之前，我们需要先读取文档并将其分成若干块（chunk）。
然后，让LLM从给定的文本块中，为每个用户角色提取感兴趣的点。
所谓的「用户角色」（persona），实际上就是对潜在用户的描述，比如：
由于多个用户角色可能有相似的兴趣点，因此需要使用嵌入模型来进行语义去重，从而为每个角色映射出段落中不同的相关信息。
多样性的另一个方面是问题类型。
我们需要提出各种类型的问题，如提取性、抽象性、比较性的问题，而不仅仅是简单的「如何/什么」问题。因此，下一步是根据段落中的信息，确定每个兴趣点适用的问题类型。
最后，利用文本块-兴趣点-问题类型的三元组，生成所有可能的问题。通过用户角色和问题类型，开发人员可以将生成的问题引导到用户会问的类型上。
步骤2：过滤问题
生成问题之后，下一步就是过滤并提取最有用的子集。首先，我们需要对所有生成的问题进行去重，因为不同的兴趣点可能会利用相邻的信息点，导致问题重叠。
接下来，我们使用LLM来判断问题与段落的相关性，确保这些问题能够完全通过段落中的信息回答。然后，我们将所有相关问题重写为对话语气。最后，我们会进行另一次过滤，分类并剔除那些可能过于笼统的问题。
步骤3：注入用户角色风格
在前两步中，我们创建并筛选了多样化的问题。最后一步是将用户角色的写作风格融入到问题中。
使用LLM，我们首先根据给定的用户角色描述来制定写作风格。然后，基于这些写作风格重新改写问题。
比如，可以这样描述用户角色的写作风格：
在这个三步流程结束后，我们得到了如下问题：
- 鉴于现行的监管框架，拟议的合并还需要遵守哪些额外的政策指令，才能获得相关部门的批准？
- SolarPower和GreenTech合并的哪些具体方面目前正在接受相关监管部门的审查？
- 如果在大笔买断之后，GreenTech的研发中心保持单飞状态，那些天才会被炒鱿鱼吗？
可以看出，前两个问题很像Padma的语气，而第三个问题似乎是Aaron会问的。
这些问题各自包含了真实标签，对应特定的文本块，因此不仅限于这一个用例，可以用于评估各种检索流程。
