Preentrenamiento de Instrucciones: Los Modelos de Lenguaje son Aprendices Multitarea Supervisados

Instruction Pre-Training: Language Models are Supervised Multitask Learners

June 20, 2024

Autores: Daixuan Cheng, Yuxian Gu, Shaohan Huang, Junyu Bi, Minlie Huang, Furu Wei

cs.AI

Resumen

El preentrenamiento multitarea no supervisado ha sido el método clave detrás del reciente éxito de los modelos de lenguaje (LM). Sin embargo, el aprendizaje multitarea supervisado sigue siendo muy prometedor, ya que su escalamiento en la etapa posterior al entrenamiento tiende a mejorar la generalización. En este artículo, exploramos el preentrenamiento multitarea supervisado mediante la propuesta de Instruction Pre-Training, un marco que amplía de manera escalable grandes corpus de texto en bruto con pares de instrucción-respuesta para preentrenar LM. Los pares de instrucción-respuesta son generados por un sintetizador de instrucciones eficiente construido sobre modelos de código abierto. En nuestros experimentos, sintetizamos 200 millones de pares de instrucción-respuesta que cubren más de 40 categorías de tareas para verificar la efectividad de Instruction Pre-Training. En el preentrenamiento desde cero, Instruction Pre-Training no solo mejora consistentemente los modelos base preentrenados, sino que también se beneficia más del ajuste posterior con instrucciones. En el preentrenamiento continuo, Instruction Pre-Training permite que Llama3-8B sea comparable o incluso supere a Llama3-70B. Nuestro modelo, código y datos están disponibles en https://github.com/microsoft/LMOps.

English

Unsupervised multitask pre-training has been the critical method behind the recent success of language models (LMs). However, supervised multitask learning still holds significant promise, as scaling it in the post-training stage trends towards better generalization. In this paper, we explore supervised multitask pre-training by proposing Instruction Pre-Training, a framework that scalably augments massive raw corpora with instruction-response pairs to pre-train LMs. The instruction-response pairs are generated by an efficient instruction synthesizer built on open-source models. In our experiments, we synthesize 200M instruction-response pairs covering 40+ task categories to verify the effectiveness of Instruction Pre-Training. In pre-training from scratch, Instruction Pre-Training not only consistently enhances pre-trained base models but also benefits more from further instruction tuning. In continual pre-training, Instruction Pre-Training enables Llama3-8B to be comparable to or even outperform Llama3-70B. Our model, code, and data are available at https://github.com/microsoft/LMOps.