3月4日工作记录

周末总结

周末花6.5k的4060ti主机到家了，配好了和女朋友一起玩了两天帕鲁，真好玩！
玩完开始上班！

今天，上午先看三篇paper，然后下午继续1日计划的工作

文章阅读

文章一：SciGLM: Training Scientific Language Models with Self-Reflective Instruction Annotation and Tuning

https://github.com/THUDM/SciGLM

通过自动纠错生成SciInstruct数据集，在SciInstruct数据集上训练ChatGLM得到优于baseline（ChatGLM）的模型。

• “从互联网上获得的用于科学问题的指令数据的规模远小于其他任务。科学内容通常需要更高级别的专业知识才能创建，且大多数高质量信息经常受到知识产权的保护。我们能合法访问的大多数数据只包含问题-答案（QA）对，而没有详细的思考链条推理步骤。然而，仅仅训练大型语言模型（LLMs）使用QA对会导致非常糟糕的结果，甚至损害它们的通用语言能力。为了获得高质量的推理步骤作为指令（I），并创建问题-指令-答案（QIA）对，我们提出了一个自我反思的指令标注框架，要求LLM自主地标注、评价和修正推理步骤，几乎不需要人为干预。具体来说，LLM首先尝试仅根据问题（Q）生成推理步骤和答案；然后，对于那些答案预测错误的输出，我们要求LLM自身识别错误类型，基于此来解决错误并修正输出。最后，我们提供给LLM正确的答案，以完成它们的标注指令。这样一个自我反思的标注框架完全利用AI而非人类来收集指令，同时通过仔细的答案检查和LLM自我反思，保证质量并解决现有LL在这里插入图片描述
  M的潜在错误。”
  

• 由光学字符识别(OCR)提取的真实数据和由自反射框架生成的指令仍然可能包含错误。因此，对未细化的数据进行处理，获得高质量的数据，是提高模型性能的关键。**为了创建高质量的指令并过滤掉噪声数据，我们选择特定的标准问题和答案作为正样本，并使用llm生成相应的负样本。然后可以利用这些样本来训练数据分类器。在整合自我反思标注产生的问题和答案并进行过滤后，我们构建了scidirective，一个包含科学信息的综合数据集，用于微调。**在这项工作中，我们选择双语ChatGLM (Du et al.， 2022;Zeng et al.， 2022)系列模型作为主干。ChatGLM系列模型是一个开源的对话预训练模型，具有流畅的对话和低部署障碍。通过在scidirective上对ChatGLM系列模型进行微调，得到SciGLM模型。

文章二：LlaSMol: Advancing LLMs for Chemistry with SMolInstruct

https://github.com/OSU-NLP-Group/LLM4Chem
收集和制造了一个总大小3M的指令微调数据集。在开源模型中测试结果是Mistral基座模型科学理解能力最强，所以用Mistral作为基座。

文章三：ChemLLM: A Chemical Large Language Model

将结构化科学内容转为更贴近LLM-Chat的corpora以避免对预训练大模型能力的破坏。

主要在name conversion, molecular caption, and reaction prediction三个方面进行测试。从这个表格结果来看，微调模型和GPT4的差距集中体现在反应预测上。

代码任务