新火種
2024-04-07 
弱智吧竟成最佳中文AI訓練數據！中科院親自下場8項第一
離大譜了，弱智吧登上正經AI論文，還成了最好的中文訓練數據？？
具體來說，使用弱智吧數據訓練的大模型，跑分超過百科、知乎、豆瓣、小紅書等平臺，甚至是研究團隊精心挑選的數據集。
在問答、頭腦風暴、分類、生成、總結、提取等8項測試中取得最高分。
沒錯，論文中的Ruozhiba就是指百度貼吧弱智吧，一個充滿荒謬、離奇、不合常理發(fā)言的中文社區(qū)，畫風通常是這樣的：
最離譜的是，弱智吧AI代碼能力也超過了使用專業(yè)技術問答社區(qū)思否數據訓練的AI。
這下吧友自己都鬧不明白了。
其他平臺圍觀網友也紛紛蚌埠住。
這項研究來自中科院深圳先進技術研究院、中科院自動化研究所，滑鐵盧大學等眾多高校、研究機構聯合團隊。
作者之一也現身評論區(qū)，透露使用弱智吧數據訓練AI屬于靈機一動，以前只用來測試。
弱智吧數據究竟如何達成這一成就，具體到論文中看。
【弱智發(fā)言成指令微調神器】
這項研究起初為解決中文大模型訓練中的諸多問題：
－ 中文數據集很多是從英文翻譯過來的，沒有很好地契合中文的語言習慣和文化背景。
－ 不少數據集是用AI生成的，質量難以保證，容易出現事實性錯誤。
－ 即使是人工標注的數據集，也存在數據量小、覆蓋領域不全面等問題。
為了解決這些痛點，團隊從中文互聯網的各種知識源頭直接收集數據，比如知乎、豆瓣、百科、小紅書等，經過一系列嚴格的清洗和人工審核，打造成高質量、多樣化的中文指令微調數據集COIG-CQIA。
除了探索不同數據源的作用，團隊還專門從中抽取出一個精華子集CQIA-Subset。
在眾多數據來源中，弱智吧成了最特別的一個。
由500個點贊最高的帖子標題+人工或GPT-4的回復組成指令微調數據集， 經過人工審核后，最終留下了240組指令-回復數據對。
分別用各種數據集訓練零一萬物Yi系列開源大模型，在BELLE-Eval測試集上使用GPT-4評分得到結果。
在規(guī)模較小的Yi-6B模型上，純弱智吧版本總分排名第三，還不算太突出。
看來小模型還沒能領悟弱智的精髓。
到了Yi-34B，弱智吧版本表現就一騎絕塵了。
只有在改寫和數學任務上沒能取得最高分，但成績也比較靠前。
另外，在安全評估上弱智吧版本也能排上第二。
對于這類現象，研究人員在分析中也給出簡單猜測：
可能是弱智吧問題增強了AI的邏輯推理能力，從而使指令遵循任務受益。
當然弱智吧并不是這項研究的全部，它的真正貢獻在于為中文大模型開發(fā)提供了一個高質量的指令微調數據集COIG-CQIA。
通過對各種中文互聯網數據源的探索，這項研究為構建中文指令數據集提供了很多有益的啟示。比如社交媒體數據雖然開放多樣，但也存在不少有害信息風險；而百科類數據專業(yè)性強，但覆蓋面可能不夠廣。
【弱智吧上大分】
這項研究一發(fā)，網友集體笑不活。
除了“XSWL、思路開闊了”嬸兒的純圍觀，也有網友認真討論起了弱智吧有如此奇效的原因。
大伙兒都比較認可的一個原因是弱智吧題目的“異質”。
像腦筋急轉彎，增加了指令多樣性，所以提升了模型最終性能：
通用數據集多半已經在pretrain階段見過了，再訓一遍只會加重overfitting。
另一個原因是弱智吧數據文本質量很高，用詞準確且簡潔。
千言萬語匯成一句話：把弱智吧只當簡單的段子合集真的是嚴重低估了它的價值！
雀食，要不此前弱智吧問題也經常被大伙兒用來測試大模型呢。
事實上從ChatGPT誕生之初，弱智吧就深度參與了大模型的發(fā)展，可以算是這一波AI浪潮的重要見證者了。
一開始只是網友拿來拷打AI，搞搞節(jié)目效果。
后來大家發(fā)現，弱智吧問題中充滿陷阱，剛好可以用來分辨AI能力高低。
還記得23年初那會兒，各家大模型第一版還不太能很好應對這類問題，如2023年3月的文心一言：
后續(xù)版本也漸入佳境了，如2023年8月的文心一言：
直到今天，弱智吧問題都是每個新發(fā)布大模型都必須要過的一關，被戲稱為弱智吧Benchmark。
△秘塔寫作貓
△Inspo
再后來，AI公司們自己也開始重視起來，如百度官方就搞過聯動直播。
當初網友為了調戲大模型專門搜集的弱智吧問題測試集，沒想到有一天也能搖身一變，成了訓練集。
思路確實是被打開了～
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
