Самостоятельное обучение с обратной связью по выполнению: улучшение способностей к следованию инструкциям у больших языковых моделей.

Self-play with Execution Feedback: Improving Instruction-following Capabilities of Large Language Models

June 19, 2024

Авторы: Guanting Dong, Keming Lu, Chengpeng Li, Tingyu Xia, Bowen Yu, Chang Zhou, Jingren Zhou

cs.AI

Аннотация

Одной из основных возможностей больших языковых моделей (LLM) является выполнение инструкций на естественном языке. Однако проблема автоматического создания высококачественных обучающих данных для улучшения способностей LLM к выполнению сложных инструкций без ручной аннотации остается нерешенной. В данной статье мы представляем AutoIF - первый масштабируемый и надежный метод для автоматического создания обучающих данных по выполнению инструкций. AutoIF преобразует проверку качества данных по выполнению инструкций в проверку кода, требуя от LLM генерировать инструкции, соответствующий код для проверки правильности ответов на инструкции и образцы модульного тестирования для проверки правильности кода. Затем на основе обратной связи выполнения метод отбора на основе отклонения может генерировать данные для обучения с применением методов Надзорного Тонкой Настройки (SFT) и Обучения с Подкреплением на основе Обратной Связи от Человека (RLHF). AutoIF достигает значительных улучшений при применении к трем алгоритмам обучения - SFT, Offline DPO и Online DPO, когда применяется к лучшим LLM с открытым исходным кодом, Qwen2 и LLaMA3, в настройках само-выравнивания и сильного-слабого дистилляции. Наш код общедоступен по адресу https://github.com/QwenLM/AutoIF.

English

One core capability of large language models (LLMs) is to follow natural language instructions. However, the issue of automatically constructing high-quality training data to enhance the complex instruction-following abilities of LLMs without manual annotation remains unresolved. In this paper, we introduce AutoIF, the first scalable and reliable method for automatically generating instruction-following training data. AutoIF transforms the validation of instruction-following data quality into code verification, requiring LLMs to generate instructions, the corresponding code to check the correctness of the instruction responses, and unit test samples to verify the code's correctness. Then, execution feedback-based rejection sampling can generate data for Supervised Fine-Tuning (SFT) and Reinforcement Learning from Human Feedback (RLHF) training. AutoIF achieves significant improvements across three training algorithms, SFT, Offline DPO, and Online DPO, when applied to the top open-source LLMs, Qwen2 and LLaMA3, in self-alignment and strong-to-weak distillation settings. Our code is publicly available at https://github.com/QwenLM/AutoIF.