大模型面试题-41-大模型（LLMs）LLM生成SFT数据方法面.pdf

大模型（LLMs）LLM生成SFT数据方法面

来自：AiGC面试宝典

2023年12月23日12:23

一、SFT数据集如何生成？

SFT数据集构建通常有两种方法：人工标注和使用LLM（比如GPT-4）来生成的，人工标注对于构

建垂直领域比较合适，可以减少有偏数据，但是成本略高；使用LLM生成，可以在短时间内生成大

量数据。

SFT数据集构建以及SFT微调Pipeline如下图所示：

二、Self-Instruct篇

2.1什么是Self-Instruct？

Self-Instruct（/abs/2212.10560）：一个通过预训练语言模型自己引导自己来提高

的指令遵循能力的框架。

2.2Self-Instruct处理思路？

•步骤1：作者从175个种子任务中随机抽取8条自然语言指令作为示例，并提示InstructGPT生

成更多的任务指令。

•步骤2：作者确定步骤1中生成的指令是否是一个分类任务。如果是，他们要求InstructGPT根

据给定的指令为输出生成所有可能的选项，并随机选择特定的输出类别，提示InstructGPT生

成相应的“输入”内容。对于不属于分类任务的指令，应该有无数的“输出”选项。作者提出了“输

入优先”策略，首先提示InstructGPT根据给定的“指令”生成“输入”，然后根据“指令”和生成的“输

入”生成“输出”。

•步骤3：基于第2步的结果，作者使用InstructGPT生成相应指令任务的“输入”和“输出”，采用

“输出优先”或“输入优先”的策略。

•步骤4：作者对生成的指令任务进行了后处理(例如，过滤类似指令，去除输入输出的重复数

据)，最终得到52K条英文指令

三、Backtranslation篇

3.1什么是Backtranslation？

回译在传统的机器学习中是一种数据增强方法，比如从中文翻译成英文，再从英文翻译会中文，这

样生成的中文与原来的中文在语义上是一致的，但是文本不同；然而SFT数据生成的回译

（/abs/2308.06259）则是通过输出来生成指令，具体步骤如下图所示：