InsTag

InsTag

LLM监督微调数据分析与优化工具

InsTag是大型语言模型监督微调数据分析工具,通过标记和分类用户查询,量化评估数据多样性与复杂性。该工具为研究人员提供模型训练优化依据,基于InsTag分析结果,仅需6K样本即可训练出TagLM模型。在MT-Bench评测中,TagLM表现优于多个开源LLM,凸显了InsTag在提升LLM训练效率方面的价值。

InsTagLLM监督微调数据分析标签系统Github开源项目

InsTag:LLM监督微调中数据分析工具

我们推出了一个名为InsTag的工具,用于分析符合人类偏好的LLM监督微调(SFT)数据。对于本地标注部署,我们发布了基于InsTag结果微调的InsTagger,用于标注SFT数据中的查询。

通过标签范围,我们从开源SFT数据中采样了6K子集来微调LLaMA和LLaMA-2,微调后的模型TagLM-13B-v1.0TagLM-13B-v2.0在MT-Bench上的表现优于许多开源LLM。

<p align="center"> 🤗 <a href="https://huggingface.co/OFA-Sys/InsTagger" target="_blank">InsTagger 检查点</a> • 👉 <a href="https://www.modelscope.cn/studios/lukeminglkm/instagger_demo/summary" target="_blank">在线LocalTagger演示</a> • 📖 <a href="https://arxiv.org/pdf/2308.07074.pdf" target="_blank">论文</a> <br> </p> <p align="center"> 🤖️ <a href="https://huggingface.co/OFA-Sys/TagLM-13b-v1.0" target="_blank">TagLM-13B-v1.0 检查点</a> 🤖️ <a href="https://huggingface.co/OFA-Sys/TagLM-13b-v2.0" target="_blank">TagLM-13B-v2.0 检查点</a><br> </p>

什么是InsTag

基础语言模型通过监督微调(SFT)获得指令跟随能力。 多样性和复杂性被认为是成功SFT数据集的关键因素,但它们的定义仍然模糊,缺乏定量分析。 在本研究中,我们提出了InsTag,一个开放集细粒度标注器,基于语义和意图对SFT数据集中的样本进行标注,并根据标签定义指令多样性和复杂性。 我们获得了6.6K个标签来描述全面的用户查询。 我们分析了流行的开源SFT数据集,发现模型能力随着更多样和复杂的数据而增长。 基于这一观察,我们提出了一个基于InsTag的数据选择器,从开源数据集中选择6K个多样化和复杂的样本,并在InsTag选择的数据上微调模型。 这些模型在MT-Bench评估中表现优于基于大得多的SFT数据的开源模型,印证了查询多样性和复杂性的重要性。

<p align="center" width="100%"> <a ><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/2e1e3e92-30a5-48ab-ab05-8994cbcef470.png" alt="InsTag" style="width: 80%; min-width: 300px; display: block; margin: auto;"></a> </p>

新闻

  • [2023年8月] 🔥 我们在ModelScope上有InsTagger的在线演示。请参考顶部的链接。感谢ModelScope!

  • [2023年8月] 🔥 我们发布了基于LLaMA和LLaMA-2的对齐LLM TagLM-13B-v1.0TagLM-13B-v2.0。两者都是在根据InsTag子采样的SFT数据上微调的。下载 v1.0 和 [v2.0](.

  • [2023年8月] 🔥 我们发布了一个名为InsTagger的大语言模型,该模型在我们的标注结果上进行了微调,用于本地标注部署。下载权重

  • [2023年8月] 🔥 我们推出了InsTag,这是我们的SFT数据分析工具。查看论文

目录

InsTagger

InsTagger是一个基于LLaMa-2的SFT模型,使用FastChat在vicuna模板下训练。你可以在HuggingFace模型仓库轻松下载权重,然后使用FastChat进行服务或推理。示例代码即将发布。

模型检查点

  • InsTagger用于本地查询标注:

    InsTagger是一个标注用大语言模型,在InsTag对开源SFT数据的标注结果上进行了微调。该模型基于LLaMA-2的7B版本。

    在下方下载模型检查点:

    模型检查点精确匹配F1基于语义的模糊匹配F1许可证
    LocalTagger🤗 <a href="" target="_blank">HF链接</a>31.8%73.4%<a href="https://ai.meta.com/resources/models-and-libraries/llama-downloads/" target="_blank">LLaMA 2许可证</a>
  • TagLM,在我们通过复杂度优先的多样性采样程序子采样的SFT数据上进行微调:

    仅使用当前开源SFT数据集中的6k数据,TagLM在MT-Bench上的表现(使用GPT-4作为评判)就可以超越许多开源大语言模型。

    在下方下载模型检查点:

    模型检查点MT-Bench许可证
    TagLM-13B-v1.0🤗 <a href="" target="_blank">HF仓库链接</a>6.44<a href="https://ai.meta.com/resources/models-and-libraries/llama-downloads/" target="_blank">LLaMA许可证</a>
    TagLM-13B-v2.0🤗 <a href="" target="_blank">HF仓库链接</a>6.55<a href="https://ai.meta.com/resources/models-and-libraries/llama-downloads/" target="_blank">LLaMA 2许可证</a>

    所有模型均基于LLaMA或LLaMA-2,应按照其相应的许可证使用。所有模型都使用FastChat代码库进行微调,我们应用了Vicuna V1.1的系统模板。

引用

如果您发现本仓库有帮助,请引用我们的工作。

@misc{lu2023instag,
      title={#InsTag: Instruction Tagging for Analyzing Supervised Fine-tuning of Large Language Models}, 
      author={Keming Lu and Hongyi Yuan and Zheng Yuan and Runji Lin and Junyang Lin and Chuanqi Tan and Chang Zhou and Jingren Zhou},
      year={2023},
      eprint={2308.07074},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多