今天看一下清华和智谱AI联合发布的这个新研究,如何通过Agent让LLM写出长达万词的长文!这可比写一篇毕业论文还要长呢!
LongWriter: Unleashing 10,000+ Word Generation from Long Context LLMs
当前的长上下文大型语言模型 (LLM) 可以处理多达 100,000 个标记的输入,但难以生成超过 2,000 个单词的适度长度的输出。通过对照实验,我们发现模型的有效生成长度本质上受其在监督微调 (SFT) 期间看到的样本的限制。换言之,它们的输出限制是由于现有 SFT 数据集中长输出样本的稀缺性。为了解决这个问题,我们引入了 AgentWrite,这是一种基于Agent的管道,可将超长生成任务分解为子任务,使现成的 LLM 能够生成超过 20,000 字的连贯输出。利用 AgentWrite,我们构建了 LongWriter-6k,这是一个包含 6,000 个 SFT 数据的数据集,输出长度从 2k 到 32k 字不等。通过将此数据集整合到模型训练中,我们成功地将现有模型的输出长度扩展到超过 10,000 个单词,同时保持输出质量。我们还开发了LongBench-Write,这是一个用于评估超长生成能力的综合基准。我们的 9B 参数模型通过 DPO 进一步改进,在此基准上实现了最先进的性能,甚至超过了更大的专有模型。总的来说,我们的工作表明,现有的长上下文 LLM 已经具备了更大的输出窗口的潜力——您所需要的只是在模型对齐期间具有扩展输出的数据来解锁此功能。
简单来说,现在的LLM虽然能处理超长的文字输入,但要它们自己写出个几千词的文章,那可就难了。为啥呢?研究者们发现,这是因为在训练过程中,模型见到的输出样本太短了!
那咋办?于是大神们整出了一个叫AgentWrite的玩意儿,这是个能分解任务的智能体。简单来说,就是把一篇长文拆成一小段一小段的,然后让模型一段一段地写,最后再拼起来。这样,即使是现成的LLM也能写出超长的文章来。
AgentWrite分两步走:先是“Plan”阶段,模型会根据指令,规划出文章的结构和每段的大概词数;然后是“write”阶段,模型根据这个计划,一段接一段地写,而且写的时候还会记得前面写了啥,保证文章的连贯性。
“plan”阶段的prompt如下:
我需要你帮我将以下长篇写作指令分解为多个子任务。每个子任务将指导文章中一个段落的写作,并应包括该段落的主要观点和字数要求。 写作指令如下: {用户指令} 请按照以下格式进行分解,每个子任务占一行: 第一段 - 主要观点:[详细描述段落的主要观点] - 字数: [字数要求,例如,400字] 第二段 - 主要观点:[详细描述段落的主要观点] - 字数: [字数要求,例如,1000字]。 ... 确保每个子任务都清晰具体,并且所有子任务覆盖了写作指令的全部内容。不要将子任务拆分得太细;每个子任务的段落不应少于200字且不超过1000字。不要输出任何其他内容。
“write”阶段的prompt如下:
你是一位出色的写作助手。我将给你一个原始的写作指令和我计划的写作步骤。我还会提供我已经写好的文本。请帮我根据写作指令、写作步骤以及已经写好的文本继续写下一个段落。 写作指令: {用户指令} 写作步骤: {第一步生成的写作计划} 已经写好的文本: {之前生成的(n-1)个段落} 请整合原始写作指令、写作步骤以及已经写好的文本,现在继续写{第n段的计划,即写作计划中的第n行}给我。如果需要,你可以在开头添加一个小标题。记得只输出你写的段落,不要重复已经写好的文本。
除了这个AgentWrite流程还不够,因为模型的长文写作能力还不够,于是还做了一个LongWriter-6k的数据集,里面有6000个训练样本,用于提升模型的长文写作能力(这些数据的输出长度从2,000到32,000个词不等。通过将这个数据集纳入模型训练,成功地将现有模型的输出长度扩展到超过10,000个词,同时保持了输出质量)。
为了严格评估方法的有效性,又开发了一个叫LongBench-Write的测试标准,专门用来评估模型写长文的能力。结果证明了他们的方法不仅有效,而且还能进一步提升模型的写作质量。
-
开源仓库:https://github.com/THUDM/LongWriter
-
论文地址:https://arxiv.org/pdf/2408.07055
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。