deita
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。
Deita
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/328aeecb-9494-4c40-8a11-9689bbe77f46.png" width="600"> </p> <p align="center"> 🤗 <a href="https://huggingface.co/collections/hkust-nlp/deita-6569c198c174808d94cf5bd4">HF仓库</a> 📄 <a href="https://arxiv.org/abs/2312.15685">论文</a> 📚 <a href="https://huggingface.co/datasets/hkust-nlp/deita-6k-v0">6K数据集</a> 📚 <a href="https://huggingface.co/datasets/hkust-nlp/deita-10k-v0">10K数据集</a> </p>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是什么？
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：
- 用于指令微调自动数据选择的开源工具包
- Deita数据集：一系列极其轻量级、高质量的对齐SFT数据。我们在首次发布中提供了6k规模和10k规模的数据集
- Deita模型：一系列通过极其高效的指令微调过程达到与最先进聊天大语言模型相当水平的强大模型。与其他最先进的大语言模型相比，Deita模型只需使用十分之一的指令微调数据即可训练得到
新闻
- :fire: [2024年3月] 我们的数据集已被Huggingface用于创建Zephyr Gemma模型。
- 📄 [2024年1月] Deita论文《什么样的数据适合对齐？指令微调中自动数据选择的全面研究》已被ICLR2024接收！
- :fire: [2024年1月] Deita流程已发布！只需一行代码和配置，即可选择高质量的对齐数据子集。
- 📚 [2024年1月] 我们的评分器数据集deita-complexity-scorer-data和deita-quality-scorer-data已发布。
- :fire: [2023年12月] 我们发布了首个Deita资源集合点击这里，其中包括一系列极其轻量级、有效的sft数据集、数据复杂度/质量评分模型，以及由此产生的deita聊天模型。
性能
: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。
:chart_with_upwards_trend: 完整评估
<details> <summary>查看完整评估</summary> | 模型 | 对齐方式 | 数据规模 | MT-Bench评分 | AlpacaEval(%) | OpenLLM (平均) | |------------------------------------------------|-----------|------------|----------|---------------|----------------| | **专有模型** | | | | | | | GPT-4-Turbo | ? | -- | 9.32 | 97.70 | -- | | GPT-4 | SFT + PPO | -- | 8.99 | 95.03 | -- | | Claude-2 | SFT + PPO | -- | 8.06 | 91.36 | -- | | GPT-3.5-turbo | SFT + PPO | -- | 7.94 | 89.37 | -- | | **基于LLaMA-1-13B的开源模型** | | | | | | | LIMA | SFT | 1K SFT | 4.29 | 41.98 | 59.82 | | WizardLM-13B | SFT | 70K SFT | 6.35 | 75.31 | 58.96 | | Vicuna-13B-v1.3 | SFT | 125K SFT | 6.39 | 82.11 | 60.01 | | 随机 | SFT | 10K SFT | 6.03 | 71.52 | 60.14 | | DEITA-LLaMA1-13B-v1.0-sft | SFT | 10K SFT | 6.60 | 78.01 | 64.27 | | **基于LLaMA-2-13B的开源模型** | | | | | | | Tulu-2-13B | SFT | 326K SFT | 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 SFT | 7.09 | 89.17 | -- | | Vicuna-13B-v1.5 | SFT | 125K SFT | 6.57 | 78.80 | 61.63 | | 随机 | SFT | 10K SFT | 5.78 | 65.19 | 61.32 | | DEITA-LLaMA2-13B-v1.0-sft | SFT | 10K SFT | 6.79 | 81.09 | 62.71 | | **基于Mistral-7B的开源模型** | | | | | | | Mistral-7B-Instruct-v0.1 | -- | -- | 6.84 | 69.65 | 60.45 | | Zephyr-7B-sft | SFT | 200K SFT | 5.32 | 75.12 | 60.93 | | $\text{Zephyr-7B-}\beta$ | SFT + DPO | 200K SFT + 60K DPO | 7.34 | 90.60 | 66.36 | | 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 | -- | | 随机 | SFT | 10K SFT | 5.89 | 56.90 | 61.72 | | DEITA-7B-v1.0-sft (6K) | SFT | 6K SFT | 7.22 | 80.78 | 64.94 | | DEITA-7B-v1.0-sft (10K) | SFT | 10K SFT | 7.32 | 81.67 | 64.00 | | DEITA-7B-v1.0 | SFT + DPO | 6K SFT + 10K DPO | 7.55 | 90.06 | 69.86 |:rocket: Deita资源
| 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 |
:running_man: 如何开始？
安装
git clone https://github.com/hkust-nlp/deita.git cd deita pip install -e .
数据样本评分
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
Deita 管道
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。
- 数据集评分
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()
- 获取嵌入
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 $BSZ
- 先评分,再多样性感知选择
from deita.pipeline import Pipeline filter_pipeline = Pipeline("filter_pipeline", data_path = args.data_path, # sharegpt 格式的 json 文件 other_data_path = args.other_data_path, # 嵌入文件路径(pickle 格式) threshold = args.threshold, # 过滤阈值 默认: 0.9 data_size = args.data_size, # 选择的数据大小 chunk_size = args.chunk_size, # 用于更高效的 GPU 计算 默认: 100000 sort_key = args.sort_key, # 默认: "complexity_scores,quality_scores" output_path = args.output_path, # json 格式输出路径 distance_metric = args.distance_metric, # 默认: cosine embedding_field = args.embedding_field, # 默认: embedding is_compression = args.is_compression, # 默认: False device = args.device # GPU 序号, 默认: 0 ) filter_pipeline.run()
你可以参考 examples/pipelines 获取更多详细信息。文档也将很快推出。
SFT 训练
请参考 examples/train/sft.sh
deepspeed --include localhost:${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 ${RUNNAME} \ --bf16 True \ --deepspeed src/deita/ds_configs/deepspeed_config_zero2_no_offload.json
DPO 训练
请参考 examples/train/dpo.sh
deepspeed --include localhost:${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
评估
- 对于 MT-Bench,请参考 MT-Bench
- 对于 AlpacaEval,请参考 alpaca_eval
- 对于 Open LLM Benchmark,请参考 lm-evaluation-harness 并按照 HuggingFaceH4/open_llm_leaderboard 上的设置进行操作
:muscle: 更多内容?
这是 Deita 项目的预览版本。我们将继续更新,包括
- 发布带有高效实现的数据选择管道
- 更多自动数据选择策略
- 支持命令行界面
- 在线演示
引用
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}
}
致谢
对于训练代码,我们使用了 fastchat 的代码模板。
编辑推荐精选
Manus
全面超越基准的 AI Agent助手
Manus 是一款通用人工智能代理平台，能够将您的创意和想法迅速转化为实际成果。无论是定制旅行规划、深入的数据分析，还是教育支持与商业决策，Manus 都能高效整合信息，提供精准解决方案。它以直观的交互体验和领先的技术，为用户开启了一个智慧驱动、轻松高效的新时代，让每个灵感都能得到完美落地。
飞书知识问答
飞书官方推出的AI知识库 上传word pdf即可部署AI私有知识库
基于DeepSeek R1大模型构建的知识管理系统，支持PDF、Word、PPT等常见文档格式解析，实现云端与本地数据的双向同步。系统具备实时网络检索能力，可自动关联外部信息源，通过语义理解技术处理结构化与非结构化数据。免费版本提供基础知识库搭建功能，适用于企业文档管理和个人学习资料整理场景。
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
酷表ChatExcel
大模型驱动的Excel数据处理工具
基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。
DeepEP
DeepSeek开源的专家并行通信优化框架
DeepEP是一个专为大规模分布式计算设计的通信库，重点解决专家并行模式中的通信瓶颈问题。其核心架构采用分层拓扑感知技术，能够自动识别节点间物理连接关系，优化数据传输路径。通过实现动态路由选择与负载均衡机制，系统在千卡级计算集群中维持稳定的低延迟特性，同时兼容主流深度学习框架的通信接口。
DeepSeek
全球领先开源大模型，高效智能助手
DeepSeek是一家幻方量化创办的专注于通用人工智能的中国科技公司，主攻大模型研发与应用。DeepSeek-R1是开源的推理模型，擅长处理复杂任务且可免费商用。
KnowS
AI医学搜索引擎 整合4000万+实时更新的全球医学文献
医学领域专用搜索引擎整合4000万+实时更新的全球医学文献，通过自主研发AI模型实现精准知识检索。系统每日更新指 南、中英文文献及会议资料，搜索准确率较传统工具提升80%，同时将大模型幻觉率控制在8%以下。支持临床建议生成、文献深度解析、学术报告制作等全流程科研辅助，典型用户反馈显示每周可节省医疗工作者70%时间。
Windsurf Wave 3
Windsurf Editor推出第三次重大更新Wave 3
新增模型上下文协议支持与智能编辑功能。本次更新包含五项核心改进：支持接入MCP协议扩展工具生态，Tab键智能跳转提升编码效率，Turbo模式实现自动化终端操作，图片拖拽功能优化多模态交互，以及面向付费用户的个性化图标定制。系统同步集成DeepSeek、Gemini等新模型，并通过信用点数机制实现差异化的资源调配。
腾讯元宝
腾讯自研的混元大模型AI助手
腾讯元宝是腾讯基于自研的混元大模型推出的一款多功能AI应用，旨在通过人工智能技术提升用户在写作、绘画、翻译、编程、搜索、阅读总结等多个领域的工作与生活效率。
Grok3
埃隆·马斯克旗下的人工智能公司 xAI 推出的第三代大规模语言模型
Grok3 是由埃隆·马斯克旗下的人工智能公司 xAI 推出的第三代大规模语言模型，常被马斯克称为“地球上最聪明的 AI”。它不仅是在前代产品 Grok 1 和 Grok 2 基础上的一次飞跃，还在多个关键技术上实现了创新突破。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
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