微调LLama 3.1——七月论文审稿GPT第5.5版：拿早期paper-review数据集微调LLama 3.1

前言

为更好的理解本文，建议在阅读本文之前，先阅读以下两篇文章

1. 七月论文审稿GPT第2版：用一万多条paper-review数据微调LLaMA2 7B最终反超GPT4
2. 提升大模型数据质量的三大要素：找到早期paper且基于GPT摘要出来7方面review——七月论文审稿GPT第4.5/4.6/4.8版

对于llama3，我们之前已经做了针对llama3 早7数据微调后的测评(所谓早7，即指的是早期paper-7方面review，详见：微调LLama 3——七月论文审稿GPT第5版：拿早期paper-7方面review数据集微调LLama 3)

• 去pk llama2
  llama2通过早7数据微调后，推理测试集中的早期paper：出来7方面review
• 去pk gpt4
  gpt4 推理测试集中的早期paper：7方面review
• ground truth是早期paper的7方面人工review

后来，llama3.1出来后，考虑到性能高于llama3，所以项目组同事青睐、文弱上周做了llama3.1通过早7数据微调后的测评

• 去pk llama3
  llama3通过早7数据微调后，推理测试集中的早期paper，出来7方面review
• 去pk gpt4
  gpt4 推理测试集中的早期paper：7方面review
• ground truth是早期paper的7方面人工review

随后，为了对比，我又让项目组同事青睐、文弱分别做了(在本文之前没通过早4数据微调llama3和llama3.1)

• llama3 早4测评
  去pk llama2
  llama2通过早4数据微调后，推理测试集中的早期paper，出来4方面review
  
  去pk gpt4
  gpt4推理测试集中的早期paper：4方面review
  
  ground truth是测试集早期paper的4方面人工review
• llama3.1 早4测评
  去pk llama3
  llama3通过早4数据微调后，推理测试集中的早期paper，出来4方面review
  
  去pk gpt4
  gpt4 推理测试集中的早期paper：4方面review
  
  ground truth是早期paper的4方面人工review

最终，早7数据下，超gpt4 超的不容易；但早4数据下，超gpt4 则很轻松..

个人心得是：首先，llama3.1确实是比llama3 更强悍；其次，现在微调一下超过GPT4，已经不是啥新闻了..

第一部分 通过早期paper-7方面review微调llama3.1以超GPT4

基本前提

1. llama3.1使用Qlora + flash atten v2微调情况4 15k样本(长度中位数9k，最长不超过12k)
2. llama3.1与旧版的llama3模型结构基本一致，只是新增了更多语言支持、更大预训练数据、新提示模版、函数调用、更长上下文(新的RoPE扩展方式)等功能或性能上的优化(具体，详见此文：一文速览Llama 3.1——对其92页paper的全面细致解读：涵盖语言、视觉、语音的架构、原理)
   因此微调的代码与旧版llama3基本一致

1.1 llama3.1微调环境配置

1.1.1 事先准备

• Linux系统
• 支持cuda12.1
• 单张/多张 48G显卡
• 可访问HuggingFace/Python官方源的网络代理
• 微调数据集：早期paper-7方面review——其中7方面review是基于GPT做多聚一摘要出来的，详见此文《提升大模型数据质量的三大要素：找到早期paper且基于GPT摘要出来7方面review——七月论文审稿GPT第4.5/4.6/4.8版》的1.2.5节——通过7要点摘要prompt第4版重新摘要整理7方面review数据

1.1.2 模型下载

# 安装 git-lfs
curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash
sudo apt-get install git-lfs
git lfs install

# 下载模型
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/meta-llama/Meta-Llama-3.1-8B-Instruct
cd Meta-Llama-3.1-8B-Instruct
git lfs pull --include="*.safetensors"
# 可以再检查一下文件夹里的文件大小是否与Huggingface文件大小一致，重点检查超过1M的文件，如果存在某些文件文件不一致需要重新使用 git lfs pull 拉取一下该文件，将 --include= 改成该文件
cd ..

1.1.3 环境安装

要想使用llama3.1模型，transformers的版本需要 >= 4.43.3

accelerate
peft
trl==0.8.6
transformers==4.43.3
# flash-attn 单独安装
# pip install flash-attn==2.6.3 --no-build-isolation    # 需要等待一段时间，最好有代理
deepspeed==0.14.0
torch==2.3.1
ray
numpy==1.26.4
PyGithub
huggingface-hub
evaluate
datasets
bitsandbytes
einops
wandb
tensorboard
tiktoken
pandas
scipy
matplotlib
sentencepiece
nltk
xformers
hf_transfer
loguru
tqdm
transformers_stream_generator
openpyxl
httpx
joblib
scikit_learn

1.1.4 代码地址

微调代码，详见七月官网首页的：大模型项目开发线上营 第二期

1.2 微调过程

llama3.1 使用Qlora + flash attention v2 微调显存的占用与llama3 微调差不多，使用12k以下的文本长度用单张或多张A40/A6000(48G)即可，具体占用情况见下文

1.2.1 微调参数(主要参数)

为了保证与llama3情况4更公平的性能对比，选择与前者相同的迭代次数，情况4推理选择的checkpoint迭代次数为1800，大约1.95个epoch

参数	说明
batch size=16	梯度累计总batch size=16
lr=1e-4	学习率的大小
max_prompt_length=11138	paper 最长的大小，超过将被截取
max_response_length=1150	review 最长的大小，超过将被截取
save_steps=100	迭代100次保存一次模型
num_train_epoch=3	迭代3个epoch

1.2.2 微调system prompt

llama3.1 微调的system prompt与llama3情况4的prompt一致

SYSTEM_PROMPT = """Below is an "Instruction" that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.
Instruction:
You are a professional machine learning conference reviewer who reviews a given paper and considers 7 criteria: 
** How to evaluate the idea of the paper **
** Compared to previous similar works, what are the essential differences, such as any fundamental differences, improvements, innovations **
** How to evaluate the experimental results in the paper **
** Potential reasons for acceptance **
** Potential reasons for rejection **
** Other suggestions for further improving the quality of the paper **
** Other important review comments **
The given paper is as follows."""

1.2.3 模型迭代过程

• 显存占用
  显存占用与微调llama3 相差不多

  

• loss 迭代

  

最终，由于微调参数与llama3相差无几，故均选择与llama3迭代次数相同的1800为最终的checkpoint

1.2.3 微调过程中遇到的问题

• llama3.1 模版冗余后缀
  描述：截止2024年7月26日，llama3.1 tokenizer的模版生成输入时 add_generation_prompt= False无效，会生成一个<|start_header_id|>assistant<|end_header_id|>的冗余后缀，详情见：
  BUG Chat template doesn't respect `add_generation_prompt`flag from transformers tokenizer
  解决方式：微调时使用llama3旧模版替换即可
  后来，Huggingface 现已经修复此问题
• 存在一些后三项为空项的推理结果
  描述：llama3.1 推理时存在一些空项聚集出现的情况，即当“拒绝理由”为空时，“建议”与“其他提升”的大项不小的概率也为空
  试图用人的角度去思考：如果论文没有“拒绝的理由”，那也就不需要“建议”和“其他的提升”了 ...
  解决方式：推理时加入序列抑制适当降低“空项”出现的概率，详情见下文
• 模型推理格式问题
  描述：论文推理未严格遵循7大项的格式 (仅特定的论文, 出现概率极低)

  

  猜测：llama3.1 可能在论文审稿场景有专门的sft微调，summary weak strengths suggestion 等是顶级期刊reviewer常用的review格式，可能是本次微调数据较少，没有完全改变原审稿的格式

1.3 推理结果：PK llama3和GPT4

1.3.1 直接推理

直接推理之下

• 左图：情况4 7review 微调llama-3.1-8B-Instruct
• 右图：情况4 7review 微调llama3-8b-instruct-8k

可以看出来，同样为情况4 7review数据下，llama3.1的效果较llama3存在较大提升

接下来，对比下和GPT4的结果呢？如下图所示

• 左图：情况4 7review 微调llama-3.1-8B-Instruct
• 右图：情况4 paper使用7大项提示工程gpt4-1106的结果

结论：由于在未加空项序列抑制的情况下，llama3.1推理结果存在一定比例后三项为空项的情况，这在与gpt4-1106 pk是处于劣势的，下文加入适当序列抑制后，将反超gpt4

1.3.2 加入序列抑制之后的推理

序列抑制的原理：适当减少空项序列 “<No related terms>” 生成的概率，增加模型生成的稳定性

• 简言之，序列抑制的本质就是 适当降低 我们希望生成内容为空项 的概率
• 具体来讲：模型某大项若概率采样生成了空项序列 “<No related terms>” ， 后续该大项将不再生成子项 (训练数据的特点)，而若不生成空项序列时大可能生成两个子项，而且该大项的空项序列还可能影响其他大项子项生成效果(在本次微调llama3.1模型表现较明显)， 所以模型生成子项总数的方差较大，宏观表现就是模型输出不稳定。所以进行适当的“<No related terms>”序列抑制将减少模型生成结果的方差

疑问：减少“空项”出现的概率，“强制”让模型输出大项的子项，会生成不合理的结果吗？

答：应该不会，大模型输出token是具有一定概率性的，较好的微调的前提下，除了“空项token”外，其他的token也是合理的输出，而控制好“空项”的惩罚力度是比较重要的(本节中参与pk的模型序列抑制系数全部为0.95)

至于序列抑制实现代码详见七月官网首页的：大模型项目开发线上营 第二期

当加了序列抑制的llama3.1微调版模型去PK 没加序列抑制的llama3.1微调版模型时，得到的结果如下图所示

• 左图：情况4 7review 微调llama-3.1-8B-Instruct + 空项序列抑制
• 右图：情况4 7review 微调llama-3.1-8B-Instruct

如此，证明了对空项做序列抑制的有效性

那再去PK下 我们的基线——GPT4 1106呢，如下图所示

• 左图：情况4 7review 微调llama-3.1-8B-Instruct + 空项序列抑制
• 右图：情况4 paper使用7大项提示工程gpt4-1106的结果

结论：llama3.1 推理pk反超gpt-1106

第二部分 通过早期paper-4方面review微调llama3.1以超GPT4

既然本文开头提到了：“早7数据下，超gpt4 超的不容易；但早4数据下，超gpt4 则很轻松”，那我们来具体看下在早4数据下的微调效果

2.1 早4数据下的微调prompt：让模型针对早期paper预测4方面review

微调策略与上文微调情况4 早7review数据几乎一致，仅

1. 更换微调数据集为情况3数据集(还是可以用之前那套通过GPT做多聚一摘要出来4方面review，即早4——早期paper-4方面review)
2. 情况3所需的微调prompt：让模型针对早期paper预测4方面review

PROMPT = """You are a helpful assistant, below is an "Instruction" that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.
Instruction:
 you are a professional machine learning conference reviewer who reviews a given paper and considers 4 criteria: 
 ** Significance and novelty **
 ** Potential reasons for acceptance **
 ** Potential reasons for rejection **
 ** Suggestions for improvement **
The given paper is as follows.""".strip()

2.2 推理结果：PK llama3和GPT4

2.2.1 PK llama3-8b-instruct-8k(qdora)

如下图所示

• 左图：情况3 4review 微调llama3.1-8B-Instruct
• 右图：情况3 4review 微调llama3-8b-instruct-8k(qdora)

结论：同样为情况3 4review数据下，llama3.1推理的效果较llama3存在一定提升，考虑到情况3 4 review的大项数目与子项数目相对于情况4 7review均较少，可能llama3.1在4review数据上难以发挥“全部实力”，因此与llama3的差距不太大

2.2.2 PK GPT4 1106

如下图所示

• 左图：情况3 4review 微调llama-3.1-8B-Instruct
• 右图：情况3 paper使用4大项提示工程gpt4-1106的结果

结论：同样为情况3 4review数据下，微调llama3.1的效果较gpt4-1106强很多

至于具体微调的代码、数据集以及更多细节，详见七月官网首页的：大模型项目开发线上营 第二期