当前位置：首页 > news >正文

全新的训练算法：Reflection 70B进入大众的视野

news 2026/3/27 23:12:42

在2024年9月6日，大模型的圈子迎来了一位新成员——Reflection 70B，它横扫了MMLU、MATH、IFEval、GSM8K等知名的模型基准测试，完美超越了GPT-4o，同时也超越了Claude3.5 Sonnet成为了新的大模型之王，Reflection 70B到底是什么来头？它为什么能超越GPT-4o呢？

首先是官宣推文：

674

其次是这个模型成为了HuggingFace上最热门的项目：

675

Hugging Face：https://huggingface.co/mattshumer/Reflection-70B

体验网址：https://reflection-playground-production.up.railway.app/

看了上面官宣推文中给出的测试结果，大家肯定会认为这是由一个公司做出来的，但是并不是，出人意料的是，这个大模型是由两位开发者用三周的时间手搓出来的。一位是发帖的 HyperWrite CEO Matt Shumer，另一位是 AI 创业公司 Glaive AI 的创始人 Sahil Chaudhary。他们表示，Reflection 70B 的底层模型建立在 Meta 的 Llama 3.1 70B Instruct 上，并使用原始的 Llama Chat 格式，确保了与现有工具和 pipeline 的兼容性。

技术细节

首先看一条推文：

676

推文中说这个模型使用了一个数据回收方法——Reflection-Tuning，在下文我会详细讲一下这种技术：

以下是对Reflection-Tuning技术细节的中文翻译：

1. 动机：

训练数据的质量对指令微调的效果至关重要，因为低质量的数据会导致大型语言模型（LLM）输出不一致或误导性的结果。Reflection-Tuning旨在通过改进数据集中的指令-响应对来解决这个问题。
该方法利用一个"神谕"模型（例如ChatGPT）对指令和响应进行自我反思和优化，生成高质量的数据，从而提高LLM的训练效果，而不需要额外的模型或大量的人工干预。

2. 方法论：

Reflection-Tuning由两个主要阶段组成：指令反思和响应反思。

2.1 指令反思：

过程：使用神谕模型（如ChatGPT）根据预定的标准对原始数据集中的指令-响应对进行评估，并对指令进行改进。
改进标准：
- 话题的复杂性
- 对响应细节的要求
- 响应所需的知识
- 指令的模糊性
- 是否涉及逻辑推理或问题解决
关键反思：模型基于这些标准生成反馈或反思，并根据这些反思产生修改后的指令-响应对。链式思维（或树式思维）提示被用来确保改进的逻辑性和一致性。

2.2 响应反思：

过程：在改进指令后，使用类似的方法对响应进行优化。神谕模型根据新标准对响应进行反思，并生成与改进后的指令更匹配的响应。
响应反思的标准：
- 有效性
- 相关性
- 准确性
- 细节程度
最终输出的是一个回收的指令-响应对，用于目标LLM的训练。

3. 建模细节：

符号表示：
- 设 ( f_\theta ) 为目标LLM，其参数为 ( \theta )，而 ( g ) 为神谕模型（如ChatGPT）。
- 指令 ( x ) 和响应 ( y ) 组成的数据对为 ((x_0, y_0))，来自数据集 ( D_0 )，模型通过反思生成新的指令-响应对 ((x{\text{ins}}, y{\text{ins}}))。
- 通过基于关键反思的反馈引导生成新的改进后的指令-响应对。

4. 实验设置：

数据集：该方法在Alpaca数据集（52,000个指令样本）和WizardLM数据集（250,000个指令样本）上进行测试，这些数据集是指令微调的基准数据集。
训练细节：
- 方法应用于Llama2-7b等模型，使用Adam优化器，批量大小为128，学习率为(2 \times 10^{-5})。
- 训练持续三轮，每个序列的最大长度为2048个标记。

5. 评估指标：

成对比较：GPT-4和ChatGPT作为评估者，比较不同模型生成的输出。每个响应根据相关性、准确性等标准进行评分，并与人类偏好对齐。
排行榜：回收后的模型在Alpaca-Eval和Huggingface Open LLM排行榜上进行评估，取得了较高的胜率，超越了其他经过指令微调的模型。

6. 实验结果：

性能：Reflection-Tuning显著提高了模型在指令遵从性和响应质量方面的表现。回收后的模型在同等规模的模型中始终表现优越，有时甚至超过了参数量更大的模型。
数据质量改进：反思过程增加了Alpaca数据集中指令的复杂性，提升了响应的细节水平，生成的指令-响应对更加连贯、质量更高。

7. 讨论：

统计分析：该方法显著增加了Alpaca数据集中指令的长度，同时简化了WizardLM数据集中过于复杂的指令。它还提高了指令与响应之间的连贯性。
在更大模型上的表现：在13B参数规模的模型上进一步验证了Reflection-Tuning的有效性。即使使用较小的数据集进行训练，回收后的模型依然在多个排行榜上取得了高胜率。