世界首款真開源類ChatGPT大模型Dolly 2.0，可隨意修改商用
眾所周知，在 ChatGPT 的問題上 OpenAI 并不 Open，從 Meta 那里開源的羊駝系列模型也因為數據集等問題「僅限于學術研究類應用」，在人們還在因為尋找繞過限制方法的時候，主打 100% 開源的大模型來了。
4 月 12 日，Databricks 發布了 Dolly 2.0，這是兩周前發布的類 ChatGPT 人類交互性（指令遵循）大語言模型（LLM）的又一個新版本。
Databricks 表示，Dolly 2.0 是業內第一個開源、遵循指令的 LLM，它在透明且免費提供的數據集上進行了微調，該數據集也是開源的，可用于商業目的。這意味著 Dolly 2.0 可用于構建商業應用程序，無需支付 API 訪問費用或與第三方共享數據。
- 項目鏈接：https://huggingface.co/databricks/dolly-v2-12b
- 數據集：https://github.com/databrickslabs/dolly/tree/master/data
根據 Databricks 首席執行官 Ali Ghodsi 的說法，雖然已有其他大模型可以用于商業目的，但「它們不會像 Dolly 2.0 那樣與你交談。」而且基于 Dolly 2.0 模型，用戶可以修改和改進訓練數據，因為它是在開源許可下免費提供的。所以你可以制作你自己的 Dolly 版本。
Databricks 還發布了 Dolly 2.0 在其上進行微調的數據集，稱為 databricks-dolly-15k。這是由數千名 Databricks 員工生成的超過 1.5 萬條記錄的語料庫，Databricks 稱這是「第一個開源的、人工生成的指令語料庫，專門設計用于讓大型語言能夠展示出 ChatGPT 的神奇交互性。」
Dolly 2.0 是怎么誕生的
在過去的兩個月里，業界、學界紛紛追趕 OpenAI 提出了一波遵循指令的類 ChatGPT 大模型，這些版本被許多定義視為開源（或提供某種程度的開放性或有限訪問）。其中 Meta 的 LLaMA 最受人關注，它引發了大量進一步改進的模型，如 Alpaca、Koala、Vicuna 以及 Databricks 的 Dolly 1.0。
但另一方面，許多這些「開放」模型都處于「工業限制」之下，因為它們接受了旨在限制商業用途的條款的數據集的訓練 —— 例如來自 StanfordAlpaca 項目的 5.2 萬個問答數據集，是根據 OpenAI 的 ChatGPT 的輸出進行訓練的。而 OpenAI 的使用條款包括一條規則，即你不能使用 OpenAI 的服務反過來與其競爭。
Databricks 思考了解決這個問題的方法：新提出的 Dolly 2.0 是一個 120 億參數的語言模型，它基于開源 EleutherAI pythia 模型系列，專門針對小型開源指令記錄語料庫進行了微調（databricks-dolly-15k），該數據集由 Databricks 員工生成，許可條款允許出于任何目的使用、修改和擴展，包括學術或商業應用。
到目前為止，在 ChatGPT 的輸出上訓練的模型一直處于合法的灰色地帶?！刚麄€社區一直在小心翼翼地解決這個問題，每個人都在發布這些模型，但沒有一個可以用于商業用途，」Ghodsi 表示。「這就是我們非常興奮的原因?！?/span>
「其他人都想做得更大，但我們實際上對更小的東西感興趣，」Ghodsi 在談到 Dolly 的微縮規模時說?！钙浯危覀兎喠怂械拇鸢?，它是高質量的?！?/span>
Ghodsi 表示，他相信 Dolly 2.0 將啟動「雪球」效應，讓人工智能領域的其他人加入并提出其他替代方案。他解釋說，對商業用途的限制是一個需要克服的大障礙：「我們現在很興奮，因為我們終于找到了一個繞過它的方法。我保證你會看到人們將這 15000 個問題應用于現有的每一個模型，他們會看到這些模型中有多少突然變得有點神奇，你可以與它們互動?！?/span>
手搓數據集
要下載 Dolly 2.0 模型的權重，只需訪問 Databricks Hugging Face 頁面，并訪問 databricks-labs 的 Dolly repo，下載 databricks-dolly-15k 數據集。
「databricks-dolly-15k」數據集包含 15000 個高質量的人類生成的 prompt / 回復對，由 5000 多名 Databricks 員工在 2023 年 3 月和 4 月期間撰寫，專門設計用于指令調優大型語言模型。這些訓練記錄自然、富有表現力，旨在代表廣泛的行為，從頭腦風暴、內容生成到信息提取和總結。
根據該數據集的許可條款（Creative Commons Attribution-ShareAlike 3.0 Unported License），任何人都可因任何目的使用、修改或擴展這個數據集，包括商業應用。
目前，這一數據集是首個開源的、由人類生成的指令數據集。
為什么要創建這樣一個數據集？團隊也在博客中解釋了原因。
創建 Dolly 1.0 或任何遵循 LLM 的指令的一個關鍵步驟是，在指令和回復對的數據集上訓練模型。Dolly 1.0 的訓練費用為 30 美元，使用的是斯坦福大學 Alpaca 團隊用 OpenAI API 創建的數據集。
在 Dolly 1.0 發布之后，就有很多人要求試用，此外還有一部分用戶希望在商業上使用這個模型。
但是訓練數據集包含 ChatGPT 的輸出，正如斯坦福大學團隊所指出的，服務條款試圖阻止任何人創建一個與 OpenAI 競爭的模型。
此前，所有的知名指令遵循模型（Alpaca、Koala、GPT4All、Vicuna）都受到這種限制：禁止商業使用。為了解決這個難題，Dolly 團隊開始尋找方法來創建一個沒有商業用途限制的新數據集。
具體而言，團隊從 OpenAI 公布的研究論文中得知，最初的 InstructGPT 模型是在一個由 13000 個指令遵循行為演示組成的數據集上訓練出來的。受此啟發，他們開始研究是否可以在 Databricks 員工的帶領下取得類似的結果。
結果發現，生成 13000 個問題和答案比想象中更難。因為每個答案都必須是原創的，不能從 ChatGPT 或網絡上的任何地方復制，否則會「污染」數據集。但 Databricks 有超過 5000 名員工，他們對 LLM 非常感興趣。因此，團隊進行了一次眾包實驗，創造出了比 40 位標注者為 OpenAI 創造的更高質量的數據集。
當然，這項工作耗時耗力，為了激勵大家，團隊設立置一個競賽，前 20 名的標注者將獲得驚喜大獎。同時，他們也列出了 7 項非常具體的任務：
- 公開問答：例如「為什么人們喜歡喜劇電影？」或「法國的首都是什么？」在某些情況下，沒有一個正確的答案，而在其他情況下，需要借助于整個世界的知識；
- 封閉式問答：這些問題只用一段參考文獻中的信息就可以回答。例如，給定維基百科中關于原子的一段，人們可能會問：「原子核中質子和中子的比例是多少？」；
- 從維基百科中提取信息：在這里，標注者會從維基百科上復制一個段落，并從該段落中提取實體或其他事實信息，如重量或測量；
- 總結維基百科上的信息：對于這一點，注釋者從維基百科上提供了一段話，并被要求將其提煉為一個簡短的摘要；
- 集思廣益：這項任務要求進行開放式的構思，并列出相關的可能選項。例如「這個周末我可以和我的朋友做哪些有趣的活動？」；
- 分類：在這項任務中，標注者被要求對類別成員進行判斷（例如，列表中的項目是動物、礦物還是蔬菜），或者判斷一段短文的屬性，例如電影評論的情緒；
- 創意寫作：這項任務將包括寫一首詩或一封情書等內容。
以下是一些示例：
最開始，團隊對于是否能達到 10000 個結果持懷疑態度。但通過每晚的排行榜游戲，一周內就成功地突破了 15000 個結果。
隨后，出于對「占用員工生產力」的擔心，團隊關閉了比賽（這很合理）。
商業化的可行性
在數據集火速創建完成之后，團隊開始考慮商業應用的問題了。
他們想制作一個可在商業上使用的開源模型。盡管 databricks-dolly-15k 比 Alpaca（訓練 Dolly 1.0 的數據集）小得多，但基于 EleutherAI pythia-12b 的 Dolly 2.0 模型卻表現出高質量的指令遵循行為。
事后看來，這并不令人驚訝。畢竟最近幾個月發布的許多指令調優數據集包含合成數據，這些數據往往包含幻覺和事實錯誤。
另一方面，databricks-dolly-15k 是由專業人士生成的，質量很高，而且包含大多數任務的長篇答案。
以下是 Dolly 2.0 用于總結和內容生成的一些例子：
Dolly 團隊表示，根據最初的客戶反饋，像這樣的能力可在整個企業中進行廣泛的應用。因為很多企業希望擁有自己的模型，以此為自己的特定領域應用創建更高質量的模型，而不是將自己的敏感數據交給第三方。
Dolly 2 的開源為構建更好的大模型生態開了一個好頭。開放源代碼的數據集和模型鼓勵評論、研究和創新，有助于確保每個人都從人工智能技術的進步中受益。Dolly 團隊期望新模型和開源數據集將作為眾多后續工作的種子，幫助引導出更強大的語言模型。
