我国大模型面临的挑战与机遇：数据困境与解决方案

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

“套壳ChatGPT！”“套皮Stable Diffusion！”“实则抄袭！”……

外界对国产大模型产生质疑已经不是一次两次了。

业内人士对这个现象的解释是，高质量的中文数据集实在紧缺，训模型时只能让采买的外文标注数据集“当外援”。训练所用的数据集撞车，就会生成相似结果，进而引发乌龙事件。

在众多方法中，运用现有大型模型辅助生成训练数据存在一定的风险，主要表现在数据清洗不彻底、重复利用令牌可能导致过度拟合，同时仅依赖稀疏大模型进行训练并非长远之策。

业内渐渐形成共识：

通往AGI的道路，对数据数量和数据质量都将持续提出极高的要求。

时势所需，近2个月来，国内不少团队先后开源了中文数据集，除通用数据集外，针对编程、医疗等垂域也有专门的开源中文数据集发布。

高质量数据集虽有但少

大模型的新突破十分依赖高质量、丰富的数据集。

按照OpenAI在《Scaling Laws for Neural Language Models》一文中提出的观点，我们可以发现，适当地增加训练数据量对于提高预训练模型的效果具有显著作用。具体而言，随着训练数据的不断增加，模型的性能和表现会逐步得到优化。

这不是OpenAI的一家之言。

DeepMind在Chinchilla模型论文中强调，过去的大规模模型普遍存在训练不足的问题。同时，该论文提出了一个被业界广泛认可的最优训练公式。

△主流大模型，Chinchilla参数最少，但训练最充分

不过，用来训练的主流数据集以英文为主，如Common Crawl、BooksCorpus、WiKipedia、ROOT等，最流行的Common Crawl中文数据只占据4.8%。

中文数据集是什么情况？

公开数据集的存在并非空穴来风，这一观点得到了量子位公司创始人兼CEO周明先生的确认。事实上，诸如命名实体数据集MSRA-NER、Weibo-NER，以及可在GitHub上找到的CMRC2018、CMRC2019、ExpMRC2022等公开数据集均存在。然而，与英文数据集相比，这些公开数据集的数量在面对海量数据时显得微不足道。

而且，某些部分已经显得陈旧，以至于我们可能无法理解最新的自然语言处理（NLP）研究成果，这些成果仅以英文形式发表在arXiv上。

中文高质量数据集虽有但少，使用起来比较麻烦，这就是所有做大模型的团队不得不面对的惨烈现状。此前的清华大学电子系系友论坛上，清华计算机系教授唐杰分享过，千亿模型ChatGLM-130B训练前数据准备时，就曾面临过清洗中文数据后，可用量不到2TB的情况。

解决中文世界缺乏高质量数据集迫在眉睫。

行之有效的解决方法之一，是直接用英文数据集训大模型。

在人类玩家评分的大模型匿名竞技场Chatbot Arena排名中，GPT-3.5在非英文版的排行榜上位列第二，仅次于GPT-4。然而，值得注意的是，GPT-3.5的96%训练数据为英文，考虑到其他语种的训练数据，用于训练的中文数据量仅占其总量的一小部分，甚至可以称之为“千分之几”。

国内top3高校某大模型相关团队在读博士透露，如果采用这种方法，不嫌麻烦的话，甚至可以给模型接一个翻译软件，把所有语言都转换成英语，然后把模型的输出转换为中文，再返回给用户。

然而这样喂养出的大模型始终是英文思维，当遇到成语改写、俗语理解、文章改写这类含有中文语言特色的内容，往往处理不佳，出现翻译错误或潜在文化的偏差。

还有个解决办法就是采集、清洗和标注中文语料，做新的中文高质量数据集，供给给大模型们。

开源数据集众人拾柴

察觉现况后，国内不少大模型团队决定走第二条路，着手利用私有数据库做数据集。

百度有内容生态数据，腾讯有公众号数据，知乎有问答数据，阿里有电商和物流数据。

积累的私有数据不一，就可能在特定场景和领域建立核心优势壁垒，将这些数据严格搜集、整理、筛选、清洗和标注，能保证训出模型的有效性和准确性。

而那些私有数据优势不那么明显大模型团队，开始全网爬数据（可以预见，爬虫数据量会非常大）。

华为为了打造盘古大模型，从互联网爬取了80TB文本，最后清洗为1TB的中文数据集；浪潮源1.0训练采用的中文数据集达5000GB（相比GPT3模型训练数据集为570GB）；最近发布的天河天元大模型，也是天津超算中心搜集整理全域网页数据，同时纳入各种开源训练数据和专业领域数据集等的成果。

与此同时，近2个月来，中文数据集出现众人拾柴火焰高的现象——

许多团队陆续发布开源中文数据集，弥补当前中文开源数据集的不足或失衡。

其中部分整理如下：

CodeGPT：由GPT和GPT生成的与代码相关的对话数据集；背后机构为复旦大学。

CBook-150k：中文语料图书集合，包含15万本中文图书的下载和抽取方法，涵盖人文、教育、科技、军事、政治等众多领域；背后机构为复旦大学。

RefGPT：为了避免人工标注的昂贵成本，提出一种自动生成事实型对话的方法，并公开我们的部分数据，包含5万条中文多轮对话；背后是来自上海交大、香港理工大学等机构的NLP从业者。

COIG：全称“中国通用开放指令数据集”，是更大、更多样化的指令调优语料库，并由人工验证确保了它的质量；背后的联合机构包括北京人工智能研究院、谢菲尔德大学、密歇根大学、达特茅斯学院、浙江大学、北京航空航天大学、卡内基梅隆大学。

Awesome Chinese Legal Resources：中国法律数据资源，由上海交大收集和整理。

Huatuo：通过医学知识图谱和GPT3.5 API构建的中文医学指令数据集，在此基础上对LLaMA进行了指令微调，提高了LLaMA在医疗领域的问答效果；项目开源方是哈工大。

Baize：使用少量“种子问题”，让 ChatGPT 自己跟自己聊天，并自动收集成高质量多轮对话数据集；加州大学圣迭戈分校（UCSD）与中山大学、MSRA合作团队把使用此法收集的数据集开源。

当更多的中文数据集被开源到聚光灯下，行业的态度是欢迎与欣喜。如智谱AI创始人兼CEO张鹏表达出的态度：

中文高质量数据只是被藏在深闺而已，现在大家都意识到这个问题了，自然也会有相应的解决方案，比如数据开源。

总之是在向好的方向发展，不是吗？

值得注意的是，除了预训练数据，目前阶段人类反馈数据同样不可或缺。

现成的例子摆在眼前：

与GPT-3相比，ChatGPT叠加的重要buff就是利用RLHF（人类反馈强化学习），生成用于fine-tuing的高质量标记数据，使得大模型向与人类意图对齐的方向发展。

提供人类反馈最直接的办法，就是告诉AI助手“你的回答不对”，或者直接在AI助手生成的回复旁边点赞或踩一踩。

先用起来就能先收集一波用户反馈，让雪球滚起来，这就是为什么大家都抢着发布大模型的原因之一。

现在，国内的类ChatGPT产品，从百度文心一言、复旦MOSS到智谱ChatGLM，都提供了进行反馈的选项。

但由于在大部分体验用户眼中，这些大模型产品最主要的还是“玩具”属性。

当遇到错误或不满意的回答，会选择直接关掉对话界面，并不利于背后大模型对人类反馈的搜集。

So～

今后遇到AI生成回答有错误或遗漏时，

请不要吝惜一次点击，高举你手中的

或

，让大模型能收集更多的人类反馈。

就像读到这里，不要吝惜对这篇推文点赞、转发、在看一样！（doge）