制約付き逆変換は、大規模言語モデルの複雑な命令に従う能力を向上させる

Constraint Back-translation Improves Complex Instruction Following of Large Language Models

October 31, 2024

著者: Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou, Juanzi Li

cs.AI

要旨

大規模言語モデル（LLMs）は、フォーマット、長さなどの複雑な制約を持つ指示に従うのに苦労しています。従来の指示チューニング手法に従い、以前の研究では、高度なLLMsに複雑な指示を与えて生成された複雑な指示-応答ペアに対して事後トレーニングを行ってきました。しかし、さらに高度なLLMsでも複雑な指示にうまく従うことができないため、生成されるデータの品質が制限されています。本研究では、既存のデータセットには暗黙の複雑な制約が含まれていることを発見し、制約逆変換という新しいデータ生成手法を提案します。具体的には、既存のデータセット内の高品質な指示-応答ペアを取り上げ、既に応答が指示に満たしている複雑な制約を高度なLLMsのみ採用して追加することで、コストとデータノイズを自然に削減します。実験では、Llama3-70B-Instructを採用して制約を逆変換し、CRABという高品質な複雑な指示-応答データセットを作成します。CRABへの事後トレーニングにより、複数のバックボーンLLMsの複雑な指示に従う能力が向上し、幅広い指示に従うベンチマークで評価されます。さらに、制約逆変換は、事後トレーニングにおける有用な補助的トレーニング目的としても機能することがわかりました。今後の研究を促進するために、当該コード、データ、およびモデルを公開します。

English

Large language models (LLMs) struggle to follow instructions with complex constraints in format, length, etc. Following the conventional instruction-tuning practice, previous works conduct post-training on complex instruction-response pairs generated by feeding complex instructions to advanced LLMs. However, even advanced LLMs cannot follow complex instructions well, thus limiting the quality of generated data. In this work, we find that existing datasets inherently contain implicit complex constraints and propose a novel data generation technique, constraint back-translation. Specifically, we take the high-quality instruction-response pairs in existing datasets and only adopt advanced LLMs to add complex constraints already met by the responses to the instructions, which naturally reduces costs and data noise. In the experiments, we adopt Llama3-70B-Instruct to back-translate constraints and create a high-quality complex instruction-response dataset, named CRAB. We present that post-training on CRAB improves multiple backbone LLMs' complex instruction-following ability, evaluated on extensive instruction-following benchmarks. We further find that constraint back-translation also serves as a useful auxiliary training objective in post-training. Our code, data, and models will be released to facilitate future research.