Инструкция предварительного обучения: языковые модели являются обучаемыми многозадачными обучающимися.

Instruction Pre-Training: Language Models are Supervised Multitask Learners

June 20, 2024

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

cs.AI

Аннотация

Несупервизированное многозадачное предварительное обучение стало ключевым методом за последнее время для достижения успеха моделей языка (LMs). Тем не менее, супервизированное многозадачное обучение все еще обладает значительным потенциалом, так как масштабирование на этапе послеобучения ведет к лучшей обобщаемости. В данной статье мы исследуем супервизированное многозадачное предварительное обучение, предлагая предварительное обучение по инструкциям, фреймворк, который масштабируемо дополняет массивные наборы данных инструкциями-ответами для предварительного обучения LMs. Пары инструкция-ответ генерируются эффективным синтезатором инструкций, построенным на моделях с открытым исходным кодом. В наших экспериментах мы синтезируем 200 миллионов пар инструкция-ответ, охватывающих 40+ категорий задач, чтобы проверить эффективность предварительного обучения по инструкциям. При предварительном обучении с нуля предварительное обучение по инструкциям не только последовательно улучшает базовые предварительно обученные модели, но также больше выигрывает от дальнейшей настройки по инструкциям. При непрерывном предварительном обучении предварительное обучение по инструкциям позволяет модели Llama3-8B быть сравнимой или даже превосходить Llama3-70B. Наша модель, код и данные доступны по адресу 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.