目录

1 大模型怎么评测？

2 大模型的honest原则是如何实现的？模型如何判断回答 的知识是训练过的已知的知识，怎么训练这种能力？

3 如何衡量大模型水平？

4 大模型评估方法 有哪些？

5 大模型评估工具 有哪些？

6 训练大模型找数据集哪里找？

7 微调需要多少条数据？

8 有哪些大模型的训练集？

9 进行领域大模型预训练应用哪些数据集比较好？

10 如何选取和构建大模型微调数据？

---

1 大模型怎么评测？

        当前superGLUE, GLUE, 包括中文的CLUE 的benchmark都在不太合适评估大模型。可能评估推理能 力、多轮对话能力是核心。

2 大模型的honest原则是如何实现的？模型如何判断回答 的知识是训练过的已知的知识，怎么训练这种能力？

        大模型需要遵循的helpful，honest， harmless的原则。 可以有意构造如下的训练样本，以提升模型准守honest原则，可以算trick了： 微调时构造知识问答类训练集，给出不知道的不回答，加强honest原则； 阅读理解题，读过的要回答，没读过的不回答，不要胡说八道。

3 如何衡量大模型水平？

        要评估一个大型语言模型的水平，可以从以下几个维度提出具有代表性的问题。

理解能力：提出一些需要深入理解文本的问题，看模型是否能准确回答。

语言生成能力：让模型生成一段有关特定主题的文章或故事，评估其生成的文本在结构、逻辑和语 法等方面的质量。

知识面广度：请模型回答关于不同主题的问题，以测试其对不同领域的知识掌握程度。这可以是关 于科学、历史、文学、体育或其他领域的问题。一个优秀的大语言模型应该可以回答各种领域的问 题，并且准确性和深度都很高。

适应性：让模型处理各种不同类型的任务，例如：写作、翻译、编程等，看它是否能灵活应对。

长文本理解：提出一些需要处理长文本的问题，例如：提供一篇文章，让模型总结出文章的要点， 或者请模型创作一个故事或一篇文章，让其有一个完整的情节，并且不要出现明显的逻辑矛盾或故 事结构上的错误。一个好的大语言模型应该能够以一个连贯的方式讲述一个故事，让读者沉浸其 中。

长文本生成：请模型创作一个故事或一篇文章，让其有一个完整的情节，并且不要出现明显的逻辑 矛盾或故事结构上的错误。一个好的大语言模型应该能够以一个连贯的方式讲述一个故事，让读者 沉浸其中。

多样性：提出一个问题，让模型给出多个不同的答案或解决方案，测试模型的创造力和多样性。

情感分析和推断：提供一段对话或文本，让模型分析其中的情感和态度，或者推断角色间的关系。

情感表达：请模型生成带有情感色彩的文本，如描述某个场景或事件的情感、描述一个人物的情感 状态等。一个优秀的大语言模型应该能够准确地捕捉情感，将其表达出来。

逻辑推理能力：请模型回答需要进行推理或逻辑分析的问题，如概率或逻辑推理等。这可以帮助判 断模型对推理和逻辑思考的能力，以及其在处理逻辑问题方面的准确性。例如：“所有的动物都会 呼吸。狗是一种动物。那么狗会呼吸吗？”

问题解决能力：提出实际问题，例如：数学题、编程问题等，看模型是否能给出正确的解答。

道德和伦理：测试模型在处理有关道德和伦理问题时的表现，例如：“在什么情况下撒谎是可以接 受的？”

对话和聊天：请模型进行对话，以测试其对自然语言处理的掌握程度和能力。一个优秀的大语言模 型应该能够准确地回答问题，并且能够理解人类的语言表达方式。

4 大模型评估方法 有哪些？

        人工评估：LIMA、Phoenix

        使用 GPT-4 的反馈进行自动评估：Vicuna、Phoenix、Chimera、BELLE指标评估（BLEU-4、 ROUGE分数）：ChatGLM-6B；对于像ROUGE-L分数的指标评估，有些地方称其为非自然指令评 估（Unnatural Instruction Evaluation）。

        Chatbot Arena：目前用来衡量一个模型好不好的东西基本都是基于一些学术的benchmark，比如 在一个某个NLP任务上构建一个测试数据集，然后看测试数据集上准确率多少。

        然而，这些学术 benchmark（如HELM）在大模型和聊天机器人上就不好用了。其原因在于： 由于评判聊天机器人聊得好不好这件事是非常主观的，因此，现有的方法很难对其进行衡 量。 这些大模型在训练的时候就几乎把整个互联网的数据都扫了一个遍，因此，很难保证测试 用的数据集没有被看到过。甚至更 进一步，用测试集直接对模型进行「特训」，如此一来表现必 然更好。 理论上我们可以和聊天机器人聊任何事情，但很多话题或者任务在现存的benchmark里 面根本就不存在。 因此，Chatbot Arena 的做法是放弃benchmark，通过对抗，实时聊天，两两比对人工进行打分，采用 elo分数进行评测。

5 大模型评估工具 有哪些？

        OpenAI evals：OpenAI的自动化评估脚本，核心思路就是通过写prompt模版来自动化评估。

        PandaLM：其是直接训练了一个自动化打分模型，0,1,2三分制用模型对两个候选模型进行打分

6 训练大模型找数据集哪里找？

推荐Alpaca-COT，数据集整理的非常全，眼花缭乱。

7 微调需要多少条数据？

        取决于预训练数据和微调任务的数据分布是否一致，分布一致，100条就够，分布差异大就需要多些数 据，千条或者万条以上为佳。

         自己的任务复杂或者下游任务行业比较冷门，如药品名称识别任务，则需要较多监督数据。还有微调大 模型时，一遍是记不住的。100条的微调数据，epochs=20才能稳定拟合任务要求。

8 有哪些大模型的训练集？

        预训练数据集togethercomputer/RedPajama-Data-1T「红睡衣」开源计划总共包括三部分： 1. 高质量、大规模、高覆盖度的预训练数据集； 2. 在预训练数据集上训练出的基础模型； 3. 指令调优数据集和模型，比基本模型更安全、可靠。 预训练数据集RedPajama-Data-1T已开源，包括七个子集，经过预处理后得到的token数量大致可以匹 配Meta在原始LLaMA论文中报告的数量，并且数据预处理相关脚本也已开源。 完整的RedPajama-Data-1T数据集需要的存储容量为压缩后3TB，解压后5TB。 CoT微调数据集：Alpaca-CoT 里面包括常用的alpaca，CoT等数据集，有中文的。

9 进行领域大模型预训练应用哪些数据集比较好？

        通过分析发现现有的开源大模型进行预训练的过程中会加入数据、论文等数据。主要是因为这些数据的 数据质量较高，领域相关性比较强，知识覆盖率（密度）较大，可以让模型更适应考试。给我们自己进 行大模型预训练的时候提供了一个参考。同时领域相关的网站内容、新闻内容也是比较重要的数据。

10 如何选取和构建大模型微调数据？

1. 动机：在 微调大模型时，首先需要解决的问题是“选取和构建大模型微调数据”，那如何选择呢？

2. 问题一：什么样的 数据 才是 最优的 大模型微调数据？

3. 数据的多样性：

        一般情况下我们数据的分布都是符合一个长尾分布的。主要的几个类别数据占据了90%的数据量，剩下 的90%的类别只有10%的数据量。 举个栗子：小红书上，query的意图识别里，美食，穿搭，旅游攻略类非常多，但是还有一些同学去搜 大模型微调的数据技巧。

        如果说我们直接采样一批线上的图文文本，直接送给标注的话，会存在一个严重的问题：他们标注的数 据大部分都是攻略类，技术类比较少，标了3个月才攒了几千条大模型技术文本，但是攻略类已经成几万 了。

        这样搞肯定是不行的，人力成本方面的消耗是在是太大了，并且模型因为数据平衡的问题也没有特别好

1. 数据的标注质量；

2. 数据的不确定性；

3. 问题二：如何构建 大模型微调数据？

        方法一：“self-instruct”的框架，通过自我生成来提升指令跟随能力。文章的流程是从语言模型中生 成指令、输入和输出样本，然后在使用这些数据微调原始模型之前进行清洗。

        方法二：“主动学习” .主动学习有两个基本原则，在监督训练的时候，注意主动发现数据的两个方面，一个是数据多样性，另 外一个是数据的不确定性。这样讲是比较抽象的概念，那我们在大模型实践中如何体现呢？

第一，数据的多样性。 多样性即为数据的去重，去重这件事的核心是相似度度量，现在的相似度度量方法大家用的比较多的是 基于对比学习构造的语义向量这套思路，当然简单的基于词袋或者tfidf的方案也是可以的。有了核心的 相似度度量方法后，我们可以使用简单的onepass聚类方法进行过滤，考虑复杂一点的话，我们可以使 用带优化目标的聚类：比如K-Center-Greedy算法，其约束条件是在最大化多样性的情况下，使指令数 据集最小。

另外，如果我们已经有了一批已经去重的人工处理过的高质量数据，那么我们如何寻找与这批数据不一 样的数据呢？

        这里有一个非常简单实用的方案，并且这个方案可以用在很多其他的地方。 我们简单地把已有的数据全部当成正样本打上1，然后待筛选的数据全部当成负样本打上0，我们使用 deberta等构建二分类模型，并进行K-fold的交叉验证，在交叉验证过程中，选出每一个fold过程中的测 试集合里概率接近于0的样本。 通过这样的操作，就能把长得与已有数据不一样的数据给选出来了，并且这个过程是半监督的。

        这套方案也可以用在很多其他地方，比如数据质量选择，只要我们有一批已经确定标签/结果/标注的种 子数据，就能通过这样的方法选出与种子数据长得比较像的，长得不像的。

        第二，数据的不确定性。 数据的不确定性主要体现数据的质量筛选上，选取模型学的不那好的数据，模型没有把握的数据。 最简单的，我们可以选出模型对应PPL值比较差的那批数据。如果是指令数据的话，比如大模型做题和 对应的答案。我们可以把所有选项对应的概率之和计算出来，然后过滤出概率和比较低的那一批数据， 这批数据就是模型“不太肯定”的样本，我们需要加强针对性的训练。

        当然这样可能有一个副作用，就是这批数据是质量比较差而不是模型学的不太好的。

为此，我们还要借助reward model，这个reward model是广义的，他是一个质量的二分类模型。可以 祭出我们的deberta，继续用标注数据进行做二分类，进行数据质量的判断。

有了质量打分模型后，我们就可以判断一些指令数据的质量高低，并且据此选出模型真正不确定的数 据。

这个过程类似于手动的拒绝采样，核心是选择“模型不确定”+“数据质量达标”的那部分数据。

        总结一下:监督学习中主动学习的两个基本原则是寻找多样性的数据，模型不确定性的数据，在寻找 的过程中，我们使用了一些小技巧，比如聚类去重，对抗半监督过滤，自建reward二分类等方 法。这几个小技巧，学术上没有什么高深莫测的东西，都是实践中总结出来的好用的方法。

LLM面试宝典进阶版1：http://t.csdnimg.cn/g78gf

LLM面试宝典基础版：http://t.csdnimg.cn/MMLPY