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。
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。
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。
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。
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。
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。
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。
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