Comment les données d'instruction et de raisonnement influencent le post-entraînement : Qualité des données à travers le prisme des gradients par couche

How Instruction and Reasoning Data shape Post-Training: Data Quality through the Lens of Layer-wise Gradients

April 14, 2025

Auteurs: Ming Li, Yanhong Li, Ziyue Li, Tianyi Zhou

cs.AI

Résumé

Alors que le post-entraînement des grands modèles de langage (LLM) évolue de la simple exécution d'instructions vers des tâches de raisonnement complexe, la compréhension de l'impact des différentes données sur la dynamique de l'affinage reste largement inexplorée. Dans cet article, nous présentons une analyse spectrale des gradients couche par couche induits par des données d'instruction et de raisonnement de qualité faible/élevée pour le post-entraînement des LLM. Notre analyse révèle que les métriques largement étudiées pour l'évaluation des données, telles que IFD, InsTag, Difficulté et Récompense, peuvent être expliquées et unifiées par les propriétés spectrales calculées à partir de la décomposition en valeurs singulières (SVD) des gradients. Plus précisément, les données de qualité supérieure sont généralement associées à des normes nucléaires plus faibles et à des rangs effectifs plus élevés. Notamment, le rang effectif montre une meilleure robustesse et résolution que la norme nucléaire pour capturer des différences subtiles de qualité. Par exemple, les données de raisonnement atteignent des rangs effectifs nettement plus élevés que les données d'instruction, impliquant des structures de gradient plus riches sur des tâches plus complexes. Nos expériences soulignent également que les modèles d'une même famille partagent des motifs de gradient similaires, indépendamment de leur taille, alors que les différentes familles de modèles divergent significativement. Offrant une vision unifiée des effets de la qualité des données sur les données d'instruction et de raisonnement, ce travail éclaire l'interaction entre la qualité des données et la stabilité de l'entraînement, apportant de nouvelles perspectives pour développer de meilleures stratégies d'exploration des données pour le post-entraînement.

English

As the post-training of large language models (LLMs) advances from instruction-following to complex reasoning tasks, understanding how different data affect finetuning dynamics remains largely unexplored. In this paper, we present a spectral analysis of layer-wise gradients induced by low/high-quality instruction and reasoning data for LLM post-training. Our analysis reveals that widely-studied metrics for data evaluation, e.g., IFD, InsTag, Difficulty, and Reward, can be explained and unified by spectral properties computed from gradients' singular value decomposition (SVD). Specifically, higher-quality data are usually associated with lower nuclear norms and higher effective ranks. Notably, effective rank exhibits better robustness and resolution than nuclear norm in capturing subtle quality differences. For example, reasoning data achieves substantially higher effective ranks than instruction data, implying richer gradient structures on more complex tasks. Our experiments also highlight that models within the same family share similar gradient patterns regardless of their sizes, whereas different model families diverge significantly. Providing a unified view on the effects of data quality across instruction and reasoning data, this work illuminates the interplay between data quality and training stability, shedding novel insights into developing better data exploration strategies for post-training.