Magpie: Síntesis de Datos de Alineación desde Cero mediante la Inducción de LLMs Alineados sin Entrada Previa

Magpie: Alignment Data Synthesis from Scratch by Prompting Aligned LLMs with Nothing

June 12, 2024

Autores: Zhangchen Xu, Fengqing Jiang, Luyao Niu, Yuntian Deng, Radha Poovendran, Yejin Choi, Bill Yuchen Lin

cs.AI

Resumen

Los datos de instrucción de alta calidad son cruciales para alinear los modelos de lenguaje grandes (LLMs). Aunque algunos modelos, como Llama-3-Instruct, tienen pesos abiertos, sus datos de alineación permanecen privados, lo que obstaculiza la democratización de la IA. Los altos costos de mano de obra humana y un alcance limitado y predefinido para la creación de prompts impiden que los métodos existentes de creación de datos de código abierto escalen de manera efectiva, lo que potencialmente limita la diversidad y calidad de los conjuntos de datos de alineación públicos. ¿Es posible sintetizar datos de instrucción de alta calidad a gran escala extrayéndolos directamente de un LLM alineado? Presentamos un método de auto-síntesis para generar datos de alineación a gran escala llamado Magpie. Nuestra observación clave es que los LLMs alineados como Llama-3-Instruct pueden generar una consulta de usuario cuando solo introducimos las plantillas del lado izquierdo hasta la posición reservada para los mensajes del usuario, gracias a su naturaleza auto-regresiva. Utilizamos este método para hacer prompts a Llama-3-Instruct y generar 4 millones de instrucciones junto con sus respuestas correspondientes. Realizamos un análisis exhaustivo de los datos extraídos y seleccionamos 300K instancias de alta calidad. Para comparar los datos de Magpie con otros conjuntos de datos de instrucción públicos, ajustamos Llama-3-8B-Base con cada conjunto de datos y evaluamos el rendimiento de los modelos ajustados. Nuestros resultados indican que, en algunas tareas, los modelos ajustados con Magpie tienen un rendimiento comparable al oficial Llama-3-8B-Instruct, a pesar de que este último ha sido mejorado con 10 millones de puntos de datos mediante ajuste fino supervisado (SFT) y posterior aprendizaje por retroalimentación. También demostramos que usar Magpie únicamente para SFT puede superar el rendimiento de conjuntos de datos públicos anteriores utilizados tanto para SFT como para optimización de preferencias, como la optimización directa de preferencias con UltraFeedback. Esta ventaja es evidente en benchmarks de alineación como AlpacaEval, ArenaHard y WildBench.

English

High-quality instruction data is critical for aligning large language models (LLMs). Although some models, such as Llama-3-Instruct, have open weights, their alignment data remain private, which hinders the democratization of AI. High human labor costs and a limited, predefined scope for prompting prevent existing open-source data creation methods from scaling effectively, potentially limiting the diversity and quality of public alignment datasets. Is it possible to synthesize high-quality instruction data at scale by extracting it directly from an aligned LLM? We present a self-synthesis method for generating large-scale alignment data named Magpie. Our key observation is that aligned LLMs like Llama-3-Instruct can generate a user query when we input only the left-side templates up to the position reserved for user messages, thanks to their auto-regressive nature. We use this method to prompt Llama-3-Instruct and generate 4 million instructions along with their corresponding responses. We perform a comprehensive analysis of the extracted data and select 300K high-quality instances. To compare Magpie data with other public instruction datasets, we fine-tune Llama-3-8B-Base with each dataset and evaluate the performance of the fine-tuned models. Our results indicate that in some tasks, models fine-tuned with Magpie perform comparably to the official Llama-3-8B-Instruct, despite the latter being enhanced with 10 million data points through supervised fine-tuning (SFT) and subsequent feedback learning. We also show that using Magpie solely for SFT can surpass the performance of previous public datasets utilized for both SFT and preference optimization, such as direct preference optimization with UltraFeedback. This advantage is evident on alignment benchmarks such as AlpacaEval, ArenaHard, and WildBench.