大语言模型高效微调所需的最小数据

这篇文章专注于解决大语言模型高效微调的问题，特别强调了数据效率和超参数优化的重要性。研究发现，即便是在小规模数据集上进行微调，模型性能也很优异，而当继续增大样本数量时，模型性能趋于饱和，进一步增加数据对提升效果的边际贡献变小。

文章还介绍了一种创新的贝叶斯超参数优化方法，这种方法在训练初期就能对模型性能做出有效评估，且与最终模型性能高度相关，这表明在训练早期就能筛选出表现优秀的模型。这些发现对于实践者来说意义重大，能够帮助他们在减少计算成本和数据依赖的同时，增强微调LLM的总体性能。

1 数据效率研究

为了探讨不同数据量对微调性能的影响，研究者进行了系统性的实验，目的是找到模型性能与数据量之间的最佳平衡点，从而优化资源利用。最终发现，虽然小型数据集可以带来显著的改进，但是必须仔细考虑训练数据中属性的分布，以确保模型在所有目标变量上的全面表现。这对于在资源受限环境中寻求优化数据收集和注释过程的实践者具有重要意义。未来的研究可能会探索数据增强技术或不同的采样策略，以进一步增强模型性能，特别是针对那些出现频率较低的属性。

（1）快速初始改进：

使用约200个样本（相当于大约100个网页），模型的准确率从70%显著提升至88%。这表明即使是相对较小的数据集也能带来显著的性能提升。

（2）收益递减：

在达到1,000个样本后，准确率提升的速度开始放缓，意味着大部分性能增益在这个数据量水平就已经实现。

（3）属性特定趋势：

后期的准确率提升主要由一个特定的属性类型——产品评分所驱动。这一属性在数据集中出现的频率较低，只在大约25%的产品详情页面中出现。

（4）性能瓶颈：

大约在6,500个样本时，模型达到最大性能，这表明存在一个“最佳点”，在此之后，更多的数据带来的收益逐渐减少。

（5）战略数据采样重要性：

即使小数据集也能显著提升模型性能，但要确保所有目标变量在训练数据中的分布均衡，以实现全面的模型表现。

2 超参数优化

通过采用贝叶斯（Bayesian）优化并结合早期模型性能评估，可以显著提高大型语言模型微调的效率和效果，减少计算成本，同时确保高最终准确率。首先，使用一系列超参数进行LoRA微调。然后，在训练过程的早期阶段，使用模型评估验证集上的准确率。接着，将超参数配置及准确率添加到结果池中。最后，运用Bayesian优化算法，基于结果池生成下一组超参数。

（1）超参数优化的目标

寻找最优超参数集：目标是找到一组能最大化模型在验证集上性能指标（如准确率）的超参数集合。

预测最终性能：最大化早期训练阶段与最终训练阶段之间模型性能的相关性，以便通过早期表现预测最终模型的质量。

（2）方法论

Bayesian优化：采用Bayesian优化算法智能地探索超参数空间，平衡探索（exploration）和利用（exploitation），通过构建代理模型（surrogate model）预测不同超参数设置下的模型性能。

LoRA微调：首先使用一组超参数进行LoRA（Low-Rank Adaptation）微调，然后在训练过程的早期阶段评估模型性能。

迭代优化：保存超参数配置及其对应的性能值，然后使用Bayesian优化算法更新代理模型，建议下一步要评估的超参数配置。

研究发现，训练早期阶段的模型性能与最终阶段的性能具有强烈的正相关性，表明早期评估可以有效地预测模型质量。

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】