西交微软北大提出信息密集型训练大法

近日，西交微软北大联合提出信息密集型训练大法，使用纯数据驱动的方式，矫正LLM训练过程产生的偏见，在一定程度上治疗了大语言模型丢失中间信息的问题。

辛辛苦苦给大语言模型输入了一大堆提示，它却只记住了开头和结尾?

这个现象叫做LLM的中间迷失(Lost in the )，是大模型当前仍面临的最大挑战之一。

毕竟，LLM现在的上下文长度已经冲到了百万级别，而难以处理中间的信息，会使得LLM在评估大量数据时不再可靠。

其实，我们人类也有类似「中间迷失」的毛病，心理学上叫「/ 」，感兴趣的读者可以参见:

「我怕零点的钟声太响......后面忘了」

不过就在不久前，来自西交、微软和北大的研究人员，开发了一种纯粹的数据驱动解决方案，来治疗LLM丢失中间信息的症状:

研究人员认为，Lost in the 的原因是训练数据中的无意偏差。

因为LLM的预训练侧重于根据最近的一些token预测下一个token，而在微调过程中，真正的指令又往往位于上下文开始的位置。

这在不知不觉中引入了一种立场偏见，让LLM认为重要信息总是位于上下文的开头和结尾。

基于这样的见解，研究人员提出了信息密集型(-，IN2)训练方法，来建立数据之间的桥梁。

既然是训练过程造成的偏见，那么就用训练数据来解决。

IN2训练使用合成问答数据，向模型显式指出重要信息可以位于上下文中的任何位置。

整个上下文长度(4K-32K个token)，被分为许多128个token的片段，而答案所对应的信息位于随机位置的片段中。

研究人员使用了两种类型的训练问题:一种是要求在一个片段中提供细节，另一种是需要整合和推断来自多个片段的信息。

IN2训练到底效果如何?使用明星模型-7B来试试。

将IN2训练应用于-7B，得到了新模型FILM-7B(FILl-in-the-)，然后测试为长上下文设计的三个新的提取任务。

测试任务涵盖不同的上下文类型(文档、代码、结构化数据)和搜索模式(向前、向后、双向)。

结果表明，IN2显著降低了原始模型的「中间丢失」问题。更厉害的是，作为只有7B的模型，FILM的性能在很多情况下甚至超越了GPT-。

在保持自己执行短上下文任务能力的同时，FILM-7B在各种长上下文任务中也表现出色，例如总结长文本，回答有关长文档的问题，以及对多个文档的推理。

上表是不同模型在现实的长上下文任务中的表现。与本体-7B 相比，- (IN2) 训练带来的提升很明显，FILM-7B的综合成绩仅次于GPT-。

不过有一说一，Lost in the 的问题并没有完全解决，而且在长上下文存在问题的情况下，GPT-也仍然是上下文基准中最强的模型。

Lost in the

LLM丢失中间信息的问题最早由斯坦福、UC伯克利和 AI的研究人员在去年发现。

当面对较长的信息流时，人类倾向于记住开头和结尾，中间的内容更容易被忽视。

没想到LLM也学会了这个套路:对于从输入中检索信息的任务，当信息位于输入的开头或结尾时，模型的表现最好。

但是，当相关信息位于输入的中间时，性能会显著下降。尤其是在回答需要从多个文档中提取信息的问题时，性能下降尤为明显。

——真是干啥啥不行，偷懒第一名。

模型必须同时处理的输入越多，其性能往往越差。——而在实际得应用场景中，往往就是需要LLM同时均匀地处理大量信息。

另外，研究结果还表明，大型语言模型使用额外信息的效率是有限的，具有特别详细指令的「大型提示」可能弊大于利。

对于许多长上下文LLM，中间信息丢失的现象普遍存在。上表测试了当时市面上流行的各种款式LLM，包括GPT-4，一共是七种。

可以看出，不论是开源还是闭源模型的强者，测试结果都显示出明显的U形曲线，说明都是在两头效果好，而中间就拉跨了。

即使强如GPT-4，也难逃被「掰弯」的命运。

这也不禁让人质疑:你们这些卷超长上下文的模型到底有没有用啊?不但吃得多，中间信息也记不住。

信息密集型训练大法

为了明确教导模型，在长上下文中的任何位置都可以包含关键信息。研究人员构建了一个长上下文问答训练数据集 D = {L，q，a}，其中问题q的答案a，来自长上下文L中的随机位置。

下图展示了整个数据构建过程。具体来说，训练数据D基于通用自然语言语料库C。给定一个原始文本，首先使用LLM(GPT-4-Turbo)生成一个问答对 (q，a)，然后合成一个长上下文 L，其中包括来自C的其他随机抽样文本的必要信息。

上图包含两种类型的问答对:(1)对长上下文中细粒度信息的掌握;(2)对长上下文中不同位置出现的信息进行整合和推理。

细粒度信息感知

将包含128个token的段视为上下文的最小信息单元。给定一个原始文本C，首先从中随机提取一个128个token的段s，然后生成q、a和 L:

信息整合和推理

除了利用每个片段之外，研究人员还考虑为两个或多个片段中包含的信息生成问答对。

按照上面最小信息单元的设置，同样将全文拆分为一组128个token的段 [s]，然后相应地生成 q、a和L:

使用LLM生成多跳问答对，保证每个问题对应的答案至少需要两个段内的信息。

训练

整个训练数据集包含:1.1M用于细粒度信息感知的长上下文数据(∼63%)、300K用于信息整合和推理的长上下文数据(∼17%)、150K短上下文问答数据(∼9%)和200K通用指令调整数据(∼11%)。

使用上面构建的训练数据，研究人员对-7B--v0.2执行 IN2训练:将长上下文和问题作为指令，并使用答案部分的损失来更新模型。

超参数:将全局批处理大小设置为128，使用余弦学习率衰减，最大值为1e-6。

模型训练在16个80G 上进行，采用由 FSDP实现的完整分片策略和cpu卸载策略，整个训练过程耗时大约18天。

VAL 探测

研究人员提出了VAL探测方法，作为评估语言模型上下文性能的更合适的方法，涵盖了不同的上下文风格和检索模式，以进行更彻底的评估。

下图表示VAL探测中的三个任务。检索模式由检索关键字与要检索的信息之间的相对位置决定。

这里考虑了三种上下文样式(文档、代码和结构化数据上下文)和三种检索模式(前向、后向和双向检索)。

VAL探测中的每个上下文都包含约32K个token，每个任务包含约3K个示例。

文档句子检索（双向）:上下文由许多自然语言句子组成，目的是检索包含给定片段的单个句子。这些句子是从arXiv上的论文摘要中抽取的。

此任务遵循双向检索模式，因为预期的检索结果包含上下文中给定片段之前和之后的单词。评估指标是单词级别的召回率分数。

代码函数检索（向后）:上下文由函数组成，目的是检索函数定义中给定代码行的函数名称。原始代码函数是从数据集中采样的，并为每个函数随机选择三行定义。

此任务遵循向后检索模式，因为函数名称始终位于定义之前。评估指标是匹配精度。

数据库实体检索（向前）:上下文包含结构化实体列表，每个实体都有三个字段:ID、label和，目的是检索给定ID的标签和说明。这些实体是从维基百科数据中采样的。

此任务遵循正向检索模式，因为标签和说明跟随ID。以宽松的匹配准确性作为衡量标准:如果响应中的标签或描述完全匹配，则给出1分，否则为0分。