怎么把大模型微调成文本分类模型?

[shubiao]

我司以前是在用 NLP 的文本分类能力, 给用户内容打标签, 然后根据标签给用户做个性化推荐, 最近准备切到大模型上, 但微调效果不尽人意, 请懂的朋友给指点下.

通过 chatgpt 获取 5k 条数据

给 chatgpt 的 prompt

你是数据分析师, 帮我从标签集中选择一个最适合文字内容的标签
文字内容: 1234
标签集: A, B, C

整理成微调所需数据, 开始微调

使用的chatglm-6b, 把给 gpt 的 prompt 和输出结果给他

{
        "instruction": "你是数据分析师, 帮我从标签集中选择一个最适合文字内容的标签, 文字内容: 1234, 标签集: A, B, C",
        "input": "",
        "output": "购物"
   }

把微调后的模型运行起来, 进行 api 访问

即把原来调 gpt 的接口改成微调后模型的, 同样的 prompt 调用

但发现回答的狗屁不是

请问哪里做的不对?

• 目前想到的是 xx-6b 能力太差, 和 gpt 千亿级的参数不可同日而语, 但我们也不要那么强的能力, 只需要根据文本内容进行分类即可
• qwen 也开源了 14b 的模型, 但我司的成本也就控制到了 4090 上, 所以加钱这个方案就继续用 NLP 就好了

[Morriaty]

你是做的 few shot instruct 还是 prompt tuning ? 如果是 few shot ， 这种方式效果不稳定。简单来说，few shot 不更新模型参数，prompt tuning 会更新模型参数。可以看看 peft 库

[vToExer]

一般情况下专用小模型的效果会强于通用大模型，如 gpt 在测试集上的准确率低于原分类模型，那么 chatglm 准确率只会更差。采用 LoRA/Adapter 微调可能有提升，前提是数据分布比较均匀，且在验证集上 loss 收敛

[sywsy]

如果是常识性的分类估计不需要微调，细分领域的话看你的微调方式，lora 微调怎么也需要几万条数据，少的话可能反而会有反作用，但话说回来如果有几万条数据随便调个 bert 模型效果应该百分百比大模型效果好

[ospider]

老老实实用 Bert 吧

[paopjian]

感觉没必要盲目追求大模型, bert 那些小模型训练后效果应该也不错, 真要用大模型的 haul 先用 chatgpt 试水,再用开源模型训练一下? 我看 https://github.com/WangRongsheng/Aurora 他们号称 lora 微调后的模型可以打 chatgpt3.5, 学一下他们的思想?

[gaobh]

你这 prompt 太简单了。按这个格式来试试: 你是一个 <角色>，你关注 <主题>，你要需要回答：<问题>

<上下文>

你是一个 <角色>，你关注 <主题>
你需要按照以下方式返回：
<输出规则>

问题：<问题>

现在我要<主题>，请参照以下 Prompt 制作，注意都用<语言>生成：

## 角色
你是一个<角色>。请你帮我<主题>

## 规则：

<输出规则>

## 策略：

<策略步骤逻辑>

## 格式
返回格式如下，"{xxx}"表示占位符：
<我是格式>
```

现在请按照上面的要求<主题>：
```

[shubiao]

@gaobh 我的 prompt 也很长, 上面只是个意思, 其实我想问下这个思路对吗 ? 给 gpt 的 prompt 在微调时直接塞给 chatglm, 调微调后的模型也是同样的 prompt, 只更改其中的"文字"部分

[shubiao]

@sywsy 就是常识性的东西, 用户来自各行各业, 我们只是想分辨出来来自那个行业(还有二级分类, 加起来 200+)

直接用效果不怎么好(好像都理解不了太长的 prompt), 才想着微调一个

[gaobh]

@shubiao #7 只能用 openai gpt4 ，其他大模型都不行

[thorneLiu]

用 bert

[june4]

在 prompt 给出几个例子可以更有效控制回答输出

[me221]

这场景没必要用大模型啊，专用模型性能更强

[sywsy]

@shubiao 有二级分类估计效果会比较差，除非你有几万条分布均匀的数据进行微调，另外不知道你是不是 chatglm3 ，对比 chatglm 应该是能强一些的，还可以试试 qwen-7b ，但是感觉怎么都是必然不如 bert 的，这还是单准确率一项，综合考虑性能、成本等等 bert 应该能完爆 llm

[siriussilen]

@Morriaty 都已经做微调了，还能是 few shot instruct ？

[siriussilen]

1. 你的这批数据及 prompt ，gpt4 能做到多少分？ gpt4 能否完成你的任务？
2. 5000 条业务数据太多了，模型很容易丧失通用能力，俗称变傻了，混一点通用样本，有奇效
3. 因为你的任务是一个判别式的任务，最后一层输出 token 的 softmax 可以拿掉，或者加一个约束惩罚，看看你的常用类别比如“购物”tokenlizer 之后是不是唯一一个，如果是的话，可以只让模型输出第一个首 token 的概率，把任务转化成判别式的任务，也能涨点

[shubiao]

@siriussilen #15
1. 这 5k 条就是通过 gpt4 得到的. 正确率 90%.
再详细一下: 就是同一 prompt 仅替换"文字部分", 进行了 5k 次调用, 让 gpt4 返回的结果, 来作为我们微调的原始数据

2. 上面有朋友说要几万条才可以, 我们是 5k 条样例给到了 chatglm, 所以你们说的几千和几万不是一个意思嘛...
通用样本是什么意思, 发这条帖子我其实就是在问准备什么样的微调数据, 以及调用时需要做什么修改?

3. 超出能力圈了, 还在学习中

[siriussilen]

@shubiao Lora 我没做过我不了解，我是做全参数微调，几百条就够了，别轻视大模型的拟合能力，另外几百条数据这个点，也可以参考一下 OpenAI 的文档，主要是一些边界 Case 的处理很关键

[siriussilen]

另 gpt3.5 论文细节是是一个 20B 的通用模型，所以用领域数据精调后打败了 3.5 没什么感到牛逼的 - -

[reeco]

分类为什么要用大模型

[yufeng0681]

有了答案，告知一下啊。
我现在对 NLP 的想法是 ，花钱让 chatgpt 来做 NLP 的事。 省掉专用的 NLP 研发（比如从 3 个研发变成 1 个研发）