国产ChatGPT「套壳」的秘密，现在被找到了

逝水年华 · 发表于 2023-5-28 20:57:59

马上注册，免费下载更多dz插件网资源。

您需要登录才可以下载或查看，没有账号？立即注册

×

“科大讯飞套壳chatgpt！”“百度文心一言套皮Stable Diffusion！”“商汤大模型实则抄袭！”……

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。

其余办法中，用现有大模型辅助生成训练数据容易数据清洗不到位，重复利用token会导致过拟合，仅训练稀疏大模型也不是长久之计。

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。

根据OpenAI 《Scaling Laws for Neural Language Models》提出大模型所遵循的伸缩法则（scaling law）可以看到，独立增加训练数据量，是可以让预训练模型效果变更好的。

这不是OpenAI的一家之言。

DeepMind也在Chinchilla模型论文中指出，之前的大模型多是训练不足的，还提出最优训练公式，已成为业界公认的标准。

△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？

公开数据集不是没有——这一点量子位从澜舟科技创始人兼CEO、当今NLP领域成就最高华人之一周明口中得到证实——如命名实体数据集MSRA-NER、Weibo-NER等，以及GitHub上可找到的CMRC2018、CMRC2019、ExpMRC2022等存在，但整体数量和英文数据集相比可谓九牛一毛。

并且，其中部分已经老旧，可能都不知道最新的NLP研究概念（新概念相关研究只以英文形式出现在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。

在人类玩家打分的大模型匿名竞技场Chatbot Arena榜单中，GPT-3.5在非英文排行榜位居第二（第一是GPT-4）。要知道，96%的GPT-3.5训练数据都是英文，再刨去其他语种，用来训练的中文数据量少到可以用“千分之n”来计算。

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：

人工智能

API

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～

原文地址：https://www.yuanwze.cn/chatgpt/755.html

©DZ插件网所发布的一切资源仅限用于学习和研究目的；不得将上述内容用于商业或者非法用途，否则，一切后果请用户自负。
网站部分内容来源于网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。如果您喜欢该程序，请支持正版软件，得到更好的正版服务。
您在本站任何的赞助购买、下载、查阅、回复等行为等均表示接受并同意签订《DZ插件网免责声明协议》。
如有侵权请邮件与我们联系处理: discuzaddons@vip.qq.com 并出示相关证明以便删除。敬请谅解！