自动数据选择工具助力大语言模型指令调优
Deita是一个开源项目,为大型语言模型的指令调优提供自动数据选择工具。项目包含开源工具包、高质量轻量级数据集和高效训练模型。Deita模型使用仅十分之一的指令调优数据,就能达到其他先进聊天模型的性能水平。项目提供全面评估结果,展示了在多项基准测试中的表现。
欢迎来到Deita(Data-Efficient Instruction Tuning for Alignment,数据高效指令微调对齐)项目!
我们将持续更新,敬请关注!
Deita是一个开源项目,旨在为大语言模型(LLMs)的指令微调提供自动数据选择。
它包括:
:bell: 还在好奇少量高质量数据能让大语言模型达到多远吗?
Deita可能为您提供一个答案:
🔦 亮点
模型 | 对齐方式 | 数据规模 | MT-Bench | AlpacaEval(%) |
---|---|---|---|---|
Zephyr-7B-sft | SFT | 200K | 5.32 | 75.12 |
$\text{Zephyr-7B-}\beta$ | SFT + DPO | 200K SFT + 60K DPO | 7.34 | 90.60 |
OpenChat-3.5 | C-RLFT | >> 70K C-RLFT | 7.81 | 88.51 |
Starling-7B | C-RLFT + APA | >> 70K C-RLFT + 183K APA | 8.09 | 91.99 |
Tulu-2-13B | SFT | 326K | 6.70 | 78.90 |
Tulu-2-13B+DPO | SFT + DPO | 326K SFT + 60K DPO | 7.00 | 89.50 |
LLaMA2-13B-Chat | SFT + PPO | -- | 6.65 | 81.09 |
WizardLM-13B-v1.2 | SFT | >70K | 7.09 | 89.17 |
Vicuna-13B-v1.5 | SFT | >125K | 6.57 | 78.80 |
DEITA-7B-v1.0 (6K) | SFT | 6K | 7.22 | 80.78 |
DEITA-7B-v1.0-sft | SFT | 10K | 7.32 | 81.67 |
DEITA-7B-v1.0 | SFT + DPO | 6K SFT + 10K DPO | 7.55 | 90.06 |
DEITA模型基于Mistral-7B-v0.1。:fire:
完整评估请参见此表,其中包括Open LLM排行榜以及基于LLaMA基础模型的DEITA模型和与其他数据选择方法的比较。
资源 | 链接 | 许可证 |
---|---|---|
Deita数据集 | ||
deita-6k-v0 | :hugs: HF仓库 | MIT许可证 |
deita-10k-v0 | :hugs: HF仓库 | MIT许可证 |
deita-complexity-scorer-data | :hugs: HF仓库 | MIT许可证 |
deita-quality-scorer-data | :hugs: HF仓库 | MIT许可证 |
deita-redundant-pool (100K) | :hugs: HF仓库 | MIT许可证 |
deita-sota-pool (300K) | :hugs: HF仓库 | MIT许可证 |
评分器 | ||
deita-complexity-scorer | :hugs: HF仓库 | LLaMA许可证 |
deita-quality-scorer | :hugs: HF仓库 | LLaMA许可证 |
Deita模型 | ||
DEITA-7B-v1.0-sft | :hugs: HF仓库 | Apache-2.0 |
DEITA-7B-v1.0 | :hugs: HF仓库 | Apache-2.0 |
DEITA-LLaMA2-13B-v1.0-sft | :hugs: HF仓库 | LLaMA 2许可证 |
DEITA-LLaMA1-13B-v1.0-sft | :hugs: HF仓库 | LLaMA许可证 |
git clone https://github.com/hkust-nlp/deita.git cd deita pip install -e .
如果你想评估单个样本回复的质量,可以按以下步骤操作:
from deita.selection.scorer import Llama_Scorer model_name_or_path = "hkust-nlp/deita-quality-scorer" scorer = Llama_Scorer(model_name_or_path) # 示例输入 input_text = "描述带有有用提示的UI的词" # 示例输入 output_text = "用户友好或直观的UI" # 示例输出 quality_score = scorer.infer_quality(input_text, output_text) print(quality_score) # 2.0230105920381902
Deita 还支持使用 VLLM 进行更快的推理。如果你想使用 VLLM 进行推理,
pip install vllm
并在初始化评分器时设置 is_vllm = True
scorer = Llama_Scorer(model_name_or_path, is_vllm = True)
要评估数据样本的其他维度,请参考 examples/scoring
你可以使用 deita 管道通过一行代码和配置对数据集执行各种操作。
from deita.pipeline import Pipeline pipeline = Pipeline("score_pipeline", data_path = args.data_path, # sharegpt 格式的 json 文件 scorer = args.scorer, # [mistral, llama] scorer_name_or_path = args.scorer_name_or_path, # 评分器名称或路径,例如 hkust-nlp/deita-complexity-scorer is_vllm = args.is_vllm, # 使用 vllm 启动 [True, False] score_type = args.score_type, # [complexity, quality] output_path = args.output_path) # 输出路径(json 格式) pipeline.run()
我们使用 Huggingface Accelerate 来提高效率:
from deita.pipeline import Pipeline embed_pipeline = Pipeline("embed_pipeline", data_path = args.data_path, # sharegpt 格式的 json 文件 output_path = args.output_path, # 输出路径(pickle 格式) model_name_or_path = args.model_name_or_path, # 模型名称或路径,例如 mistralai/Mistral-7B-v0.1 max_length = args.max_length, use_flash_attention = args.use_flash_attention, batch_size_per_device = args.batch_size_per_device, conv_template = args.conv_template, only_answer = args.only_answer, random_shuffle = args.random_shuffle, bfloat16 = True ) embed_pipeline.run()
CUDA_VISIBLE_DEVICES=$GPUIDX accelerate launch \ --mixed_precision bf16 \ --num_processes $NUMPROCESS \ --num_machines 1 \ examples/pipelines/embed_datasets.py \ --use_flash_attention true \ --data_path $DATAPATH \ --output_path $OUTPUTPATH \ --batch_size_per_device $BSZ
from deita.pipeline import Pipeline filter_pipeline = Pipeline("filter_pipeline", data_path = args.data_path, # sharegpt 格式的 json 文件 other_data_path = args.other_data_path, # 嵌入文件路径(pickle 格式) threshold = args.threshold, # 过滤阈值 默认: 0.9 data_size = args.data_size, # 选择的数据大小 chunk_size = args.chunk_size, # 用于更高效的 GPU 计算 默认: 100000 sort_key = args.sort_key, # 默认: "complexity_scores,quality_scores" output_path = args.output_path, # json 格式输出路径 distance_metric = args.distance_metric, # 默认: cosine embedding_field = args.embedding_field, # 默认: embedding is_compression = args.is_compression, # 默认: False device = args.device # GPU 序号, 默认: 0 ) filter_pipeline.run()
你可以参考 examples/pipelines
获取更多详细信息。文档也将很快推出。
请参考 examples/train/sft.sh
deepspeed --include localhost:${DEVICES} --master_port 29501 src/deita/alignment/train.py \ --model_name_or_path ${MODELPATH} \ --data_path ${DATAPATH} \ --output_dir ${OUTPUTPATH}/${RUNNAME} \ --num_train_epochs 6 \ --per_device_train_batch_size ${BSZPERDEV} \ --per_device_eval_batch_size 1 \ --gradient_accumulation_steps ${GRADACC} \ --eval_steps 50 \ --save_strategy "no" \ --save_steps 100 \ --save_total_limit 10 \ --learning_rate 2e-5 \ --warmup_ratio 0.1 \ --lr_scheduler_type "cosine" \ --logging_steps 1 \ --do_eval False \ --evaluation_strategy "no" \ --model_max_length 2048 \ --lazy_preprocess True \ --conv_template "vicuna_v1.1" \ --mask_user True \ --report_to "wandb" \ --run_name ${RUNNAME} \ --bf16 True \ --deepspeed src/deita/ds_configs/deepspeed_config_zero2_no_offload.json
请参考 examples/train/dpo.sh
deepspeed --include localhost:${DEVICES} --master_port 29502 src/deita/alignment/dpo_train.py \ --model_name_or_path ${MODELPATH} \ --json_path ${JSONPATH} \ --data_split ${DATASPLIT} \ --output_dir ${OUTPUTPATH}/${RUNNAME} \ --num_train_epochs ${DPOEPOCH} \ --beta 0.1 \ --per_device_train_batch_size ${BSZPERDEV} \ --per_device_eval_batch_size 1 \ --gradient_accumulation_steps ${GRADACC} \ --save_global_steps False \ --eval_steps 50 \ --save_strategy "no" \ --save_steps 500 \ --save_total_limit 1 \ --learning_rate 5e-7 \ --warmup_ratio 0.1 \ --lr_scheduler_type "linear" \ --logging_steps 1 \ --do_eval False \ --evaluation_strategy "no" \ --model_max_length 2048 \ --conv_template "vicuna_v1.1" \ --report_to "wandb" \ --run_name ${RUNNAME} \ --bf16 True \ --gradient_checkpointing True \ --deepspeed src/deita/ds_configs/stage3_no_offloading_accelerate.json
这是 Deita 项目的预览版本。我们将继续更新,包括
如果你发现这个项目的内容对你有帮助,请按以下方式引用我们的论文:
@inproceedings{
liu2024what,
title={What Makes Good Data for Alignment? A Comprehensive Study of Automatic Data Selection in Instruction Tuning},
author={Wei Liu and Weihao Zeng and Keqing He and Yong Jiang and Junxian He},
booktitle={The Twelfth International Conference on Learning Representations},
year={2024},
url={https://openreview.net/forum?id=BTKAeLqLMw}
}
对于训练代码,我们使用了 fastchat 的代码模板。
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。
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。
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。
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。
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。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号