谷歌推出新方法：训练数据量减少 1 万倍，提升模型精准度

快速阅读: 谷歌提出新主动学习筛选流程，将大型语言模型训练数据量降至1万分之一，提高模型精准度。新方法依赖专家判断与模型迭代，确保样本质量，实验显示少量高质量数据效果显著。

近日,谷歌在其研究中提出了一种新颖的主动学习筛选流程,旨在大幅降低微调大型语言模型所需的训练数据量。根据实验结果,这种方法能够将训练数据量降低至原来的1万分之一,同时提高模型与人类专家判断的一致性达65%。在实际应用中,如广告内容分类、金融数据安全分析等领域,对高保真训练数据的需求一直很高,但筛选出符合要求的数据不仅难度大,成本也极为昂贵。

图源备注:图片由AI生成,图片授权服务商Midjourney 这一新方法从一个零样本或少样本的初始模型开始,用户通过提示定义目标内容,比如询问某广告是否为 “点击诱饵”。初始模型会将广告标记为点击诱饵或良性,并生成一个大型标记数据集。然而,初始数据集常常存在严重的类别不平衡,导致模型的准确识别能力较弱。

为了解决这一问题,研究者将模型标记为点击诱饵和良性广告的内容进行分组,发现部分组之间存在重叠,说明模型在这些内容上容易判断错误。因此,研究者可以从这些重叠组中挑选样本对,交由专家进行判断,以此来控制审核成本,并优先选择能覆盖多种情况的样本对。这样得到的样本既有价值,又涵盖了各种可能出错的情形。

在模型微调过程中,专家提供的标注被分为两组,一组用于评估模型一致性,另一组则用于模型的微调。这一过程将不断重复,直到模型的表现达到与人类专家相近的水平。

谷歌的实验使用了 Gemini Nano-1和 Nano-2两款模型,并针对两个复杂度不同的任务进行了测试。在测试中,每个任务都使用了约10万条众包标注数据,尽管这些数据严重不平衡。结果表明,专家之间的判断一致性很高,而众包标签与专家判断的一致性则相对一般。通过新方法,32.5亿参数的模型在低难度任务上的对齐度显著提升,使用的数据量仅为250-450条,较原来的10万条大幅减少,仍能取得良好的效果。

综上所述,谷歌的新方法证明了只需少量高质量的数据,且确保专家标注一致性超过0.8,大型模型也能在训练时获得出色的表现。

划重点: 📉 训练数据量可减少至原来的1万分之一,提高模型精准度。

🤝 新方法依赖专家判断与模型迭代,确保样本质量。

📊 实验表明,使用少量高质量数据可达到甚至超越传统大量数据的效果。

(以上内容均由Ai生成)