如何通过大模型生成业务需要的数据集

现在大模型训练数据的主力都是LLM自己贡献的了。但是也不是说你让它输出什么，然后它就一劳永逸地不停地输出你想要的东西。受限于LLM本身的能力、上下文规定的长度、训练方式导致的有限变化，你需要不断变更你的prompt，以让输出更多样。

接下来介绍SmolLM的数据生成方法

SomlLM

这是一个小模型，应该是一个base模型。是huggingface团队推出的。
他们主要的工作是数据增强，基于Cosmopedia V1数据集生成V2数据集，前者是基于网页爬取的种子数据+主题识别后，同时提供种子数据+主题，进行扩写得到的数据集。
他们一开始想一劳永逸，写一个prompt，应用到多个LLM上，根据LLM的多样性来吐出多样性的数据。然而效果不好。
所以第二个方法，使用更好的prompt策略。
首先是对Cosmopedia V1的清洗。他们抛弃了原本的主题分类，因为他们认为这些主题不能很好地反应真实世界的分类。他们选择BISAC书籍分类，这是一个包含51个大类、5000多个标签的分类。借此，他们用LLM扩写出了5000个分类下面的二级分类，从图表中粗略估算，有三万多类，与他们提供的3.4w个分类相符，也就是说他们从5000扩展到了3.4w。

生成新数据的思路很简单。按照上面图片给的例子，一个种子数据，一个主题词，一堆输出限制，然后按照种子数据和主题词进行扩写。问题是，3.4w个主题，几十万的种子数据，你好歹先确定种子属于哪个一级标签吧？不然一个体育数据+医学主题词，生成的东西四不像了。

为了找到与每个主题最相近的文档聚类，他们放弃了聚类算法，转而使用网页搜索的方法，即，把大类标题、一级标题、二级标题串起来作为搜索query，把数据库作为一个个“网页”。具体怎么搜索的不知道，但是代码里面出现了一个词：IDF。那看来就是IDF了，用基于单字的逆文档频率排序网页，然后选择其中1000个最相近的。代码里还有一个boosted_subtopic，里面把每个字符^2了，这是针对TF-IDF类搜索的，把得分平方的意思，可能与具体的搜索引擎处理方式有关，但是肯定是加权用的。搜索引擎那边会对搜索结果截断，不相关的就不返回了，所以boosted方法返回不够了，再用不加权的搜索一次，然后合并。

至此有了基于主题获得种子数据的方法。

另一个问题是，什么样的种子数据是好的？
确定这个的思路很简单。假如有A、B两组数据，风格不同，你把它们都扔进LLM里训练，看评测结果就得了。另外，如果你以后生成了数据，拿生成数据去训一版LLM，对比种子数据训出来的效果，就能知道生成的数据有没有用、够不够优秀了。
基于上述方法，作者们从Cosmopedia V1中的几个数据包里测试了：
两个 web 样本集:web_samples_v1和web_samples_v2、stories子集，stanford和openstax两个子集
这么些个数据集拿来，都训了20亿个token，epoch=4，也就是每个数据集80亿token，以测评结果作为指标，选择合适的种子数据集。

上面只是个例子，涉及到的数据集只是一个部分，实际上他们还要做关于教育和代码的数据集生成。对于教育部分，他们有课文的数据集，但是选择生成的口吻是一个问题：你是生成说话像小学生的数据，还是中学生，还是大学生？核心问题是，你生成的数据，** 受众是谁？**
也不好说哪个好，只能都生成，然后看一下效果。结果是中学生、大学生各有千秋。实际上他们也不会把所有受众都罗列出来测一遍，那怕是要写几十个了。最终决定的受众比例是：40中学生，30大学生，剩下的受众瓜分剩下的30，还有Cosmopedia v1 中 stories、stanford 等数据集的课文风格。

总结一下。上面3.4万个主题，结合种子数据，每个主题生成1000条数据，这是3400w条文章数据。还有500w条涉及代码、故事、课本。总token数到达28B，就是280亿token，平均一条数据小1000个token呗。

以上就是SmolLM数据生成的大概内容。还有后续关于教育性的代码、网页内容的筛选机制报告，大概就是通过llama70b-instruct对数据的教育性按1~5分评分，拿着这个数据去训练一个reward model，再去过滤脏数据。细节看这里