如何让大语言模型更好地理解科学文献？

论文地址：https://arxiv.org/pdf/2408.15545

引言

科学文献的理解对于提取目标信息和获取洞察至关重要，这显著推动了科学发现。尽管大语言模型（LLMs）在自然语言处理方面取得了显著成功，但在科学文献理解方面仍面临挑战，主要由于缺乏科学知识和对特定科学任务的不熟悉。为了开发专门用于科学文献理解的LLM，我们提出了一种混合策略，结合持续预训练（CPT）和监督微调（SFT），以同时注入科学领域知识和增强特定任务的指令遵循能力。

1. 持续预训练（CPT）阶段

1.1 格式与语法校正

在从PDF文档中提取文本时，常常会引入许多格式和语法错误。为了解决这一问题，我们使用Llama3-8B-Instruct模型来校正这些错误。以下是一个校正前后的示例：

校正前的文本：

Highly p e n e t r a t i n g radiation, such as $\gamma$ -rays or fast electorns, deposits ener gy   
throughout the solid t a r g e t material. Gas production occurs w i t h i n the solid phase and must d i f f u s e to the surface to be observed.

校正后的文本：

Highly penetrating radiation, such as $\gamma$ -rays or fast electrons, deposits energy throughout the solid target material. Gas production occurs within the solid phase and must diffuse to the surface to be observed.

1.2 CPT质量过滤

为了确保训练语料的高质量，我们使用Llama3-70B-Instruct模型对50k个样本进行评分，并根据评分结果过滤掉质量较低的25%数据。以下是评分分布图：

2. 监督微调（SFT）阶段

2.1 指令生成

为了生成多样化的科学指令，我们设计了一个三步流程：

1. 领域关键词概率表：收集高影响力论文并统计词频，生成领域关键词概率表。
2. 科学任务列表：编译一个包含各种科学任务的任务列表。
3. 指令生成：根据关键词和任务描述生成科学上下文和相应的问答对。

以下是一个生成表格提取任务的示例：

生成表格提取任务的提示：

I need synthetic training data for training a machine learning model that extracts tables from text correctly. The data should be formatted in JSON, with each entry containing ”text” and ”answer” attributes. You should generate a paragraph that includes the keywords: $\{\{\mathrm{keywords}\}\}$ .   
The ”text” part must contain enough information for the table to be extracted! In ”text” part, You must you include a table description in latex format.

生成的示例：

{
”text”: ”In recent studies regarding material science, the crmatrix has shown significant importance in understanding fracture behaviors. The following Table 1 presents a schematic illustration of the enthalpy changes observed during the different fracture phases.”,
”answer”: ”Material,Initial Enthalpy (kJ/mol),Final Enthalpy (kJ/mol),Fracture Phase   
Material A,25.4,47.8,Brittle   
Material B,22.3,45.0,Ductile   
Material C,28.9,50.2,Semi-brittle”
}

2.2 指令质量控制

为了确保生成指令的质量，我们采用启发式去重和基于LLM的过滤方法。以下是评估示例：

3. 实验结果

3.1 基准模型性能

SciLitLLM在科学文献理解任务上表现优异，7B和14B版本的模型在SciAssess和SciRIFF基准测试中均取得了领先的成绩。具体来说，SciLitLLM-7B在SciAssess上比第二好的模型高出4.0%，在SciRIFF上高出10.1%。

3.2 消融研究

我们进行了消融实验来验证CPT阶段、SFT数据配方和指令质量过滤的有效性。结果表明，CPT阶段对提高科学文献理解能力至关重要，而SFT阶段使用SciLitIns数据集也能显著提升模型性能。

4. 结论与未来工作

本文介绍了SciLitLLM，一个专门用于科学文献理解的模型。通过CPT和SFT的结合，我们成功地提升了模型在科学领域的知识基础和指令遵循能力。未来的工作将致力于扩展训练数据的多样性和质量，并探索更高效的方法进行领域特定知识注入和高品质指令生成。

参考文献

1. Cai, H., Cai, X., Chang, J., Li, S., Yao, L., Wang, C., … & Ke, G. (2024). Sciassess: Benchmarking LLM proficiency in scientific literature analysis. arXiv preprint arXiv:2403.01976.
2. Wadden, D., Shi, K., Morrison, J., Naik, A., Singh, S., Barzilay, N., … & Cohan, A. (2024). Sciriff: A resource to enhance language model instruction-following over scientific literature. arXiv preprint arXiv:2406.07835.

---

希望这篇文章对你有所帮助！如果你有任何问题或建议，欢迎在评论区留言。