Long Is More for Alignment: A Simple but Tough-to-Beat Baseline for Instruction Fine-Tuning

要約

LLM の命令の微調整には高品質のデータが必要であるという意見は一致していますが、それは何でしょうか?
LIMA (NeurIPS 2023) と AlpaGasus (ICLR 2024) は、手動キュレーションまたは品質スコアラーとして GPT-3.5-Turbo を使用して、このような高品質のサンプルを選択するための最先端の方法です。
標準データセットから最長の応答を持つ 1,000 個の命令を選択するという非常に単純なベースラインが、GPT-4 および PaLM-2 を判定基準としてこれらの洗練された手法を常に上回り、同時に事実知識をテストする OpenLLM ベンチマークでの競争力を維持できることを示します。
これをいくつかの最先端の LLM (Llama-2-7B、Llama-2-13B、Mistral-7B) とデータセット (Alpaca-52k および Evol-Instruct-70k) で実証します。
さらに、このような長い命令を軽量に改良することで、微調整された LLM の能力をさらに向上させることができ、わずか 1,000 個のサンプルとトレーニングで、AlpacaEval 2.0 上で 2 番目に高いランクの Llama-2-7B ベースのモデルを取得できるようになります。
余分な好みのデータはありません。
また、モデルの徹底的な分析を実施して、モデルのパフォーマンスの向上が単に GPT-4 がより長い応答を好むことによるものではないことを確認し、人為的な改善を排除します。
結論として、私たちの調査結果は、最も長い命令の微調整が、命令の微調整に関するあらゆる研究のデフォルトのベースラインであるべきであることを示唆しています。

要約(オリジナル)

There is a consensus that instruction fine-tuning of LLMs requires high-quality data, but what are they? LIMA (NeurIPS 2023) and AlpaGasus (ICLR 2024) are state-of-the-art methods for selecting such high-quality examples, either via manual curation or using GPT-3.5-Turbo as a quality scorer. We show that the extremely simple baseline of selecting the 1,000 instructions with longest responses from standard datasets can consistently outperform these sophisticated methods according to GPT-4 and PaLM-2 as judges, while remaining competitive on the OpenLLM benchmarks that test factual knowledge. We demonstrate this for several state-of-the-art LLMs (Llama-2-7B, Llama-2-13B, and Mistral-7B) and datasets (Alpaca-52k and Evol-Instruct-70k). In addition, a lightweight refinement of such long instructions can further improve the abilities of the fine-tuned LLMs, and allows us to obtain the 2nd highest-ranked Llama-2-7B-based model on AlpacaEval 2.0 while training on only 1,000 examples and no extra preference data. We also conduct a thorough analysis of our models to ensure that their enhanced performance is not simply due to GPT-4’s preference for longer responses, thus ruling out any artificial improvement. In conclusion, our findings suggest that fine-tuning on the longest instructions should be the default baseline for any research on instruction fine-tuning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google