隨著大模型掀起新一輪 AI 熱潮，人們開始思考：大模型的強大能力來源于什么？

當前，大模型一直在由不斷增加的「大數據」來推動。「大模型 + 大數據」似乎已經成為構建模型的標準范式。但隨著模型規模和數據量的不斷增長，算力的需求會迅速膨脹。一些研究者嘗試探索新思路。

6 月，微軟發布了一篇題為《Textbooks Are All You Need》的論文，用規模僅為 7B token 的「教科書質量」數據訓練了一個 1.3B 參數的模型 ——phi-1。盡管在數據集和模型大小方面比競品模型小幾個數量級，但 phi-1 在 HumanEval 的 pass@1 上達到了 50.6% 的準確率，在 MBPP 上達到了 55.5%。

phi-1 證明高質量的「小數據」能夠讓模型具備良好的性能。最近，微軟又發表了論文《Textbooks Are All You Need II: phi-1.5 technical report》，對高質量「小數據」的潛力做了進一步研究。

論文地址：https://arxiv.org/abs/2309.05463

模型簡介

架構

研究團隊使用 phi-1 的研究方法，并將研究重點放在自然語言常識推理任務上，創建了擁有 1.3B 參數的 Transformer 架構語言模型 phi-1.5。phi-1.5 的架構與 phi-1 完全相同，有 24 層，32 個頭，每個頭的維度為 64，并使用旋轉維度為 32 的旋轉嵌入，上下文長度為 2048。

此外，該研究還使用 flash-attention 進行訓練加速，并使用 codegen-mono 的 tokenizer。

訓練數據

phi-1.5 的訓練數據是由 phi-1 的訓練數據（7B token）和新創建的「教科書質量」數據（大約 20B token）組成的。其中，新創建的「教科書質量」數據旨在讓模型掌握常識推理，研究團隊精心挑選了 20K 個主題來生成新數據。

值得注意的是，為了探討網絡數據（LLM 常用）的重要性，該研究還構建了 phi-1.5-web-only 和 phi-1.5-web 兩個模型。

研究團隊表示：創建強大且全面的數據集需要的不僅是原始計算能力，還需要復雜的迭代、有效的主題選擇，以及對知識的深入了解，具備這些要素，才能確保數據的質量和多樣性。

實驗結果

對于語言理解任務，該研究在多個數據集（包括 PIQA、Hellaswag、OpenbookQA、SQUAD 和 MMLU）上評估了一些模型。評估結果如下表 3 所示，phi-1.5 的性能可以媲美 5 倍大的模型：

在常識推理基準上的測試結果如下表所示：

在更復雜的推理任務（例如小學數學和基礎編碼任務）上 phi-1.5 還超越了大多數 LLM：

研究團隊認為，phi-1.5 再次證明了高質量「小數據」的力量。

質疑與討論

或許是因為「大模型 + 大數據」的理念太深入人心，這項研究遭到了機器學習社區一些研究人員的質疑，甚至有人懷疑 phi-1.5 直接在測試基準數據集上訓練了。

網友 Susan Zhang 進行了一系列驗證，并指出：「phi-1.5 能夠對 GSM8K 數據集中的原問題給出完全正確的回答，但只要稍微修改一下格式（例如換行），phi-1.5 就不會回答了。」

還有修改問題中的數據，phi-1.5 在解答問題的過程中就會出現「幻覺」。例如，在一個點餐問題中，只修改了「披薩的價格」，phi-1.5 的解答就出現了錯誤。

并且，phi-1.5 似乎「記住了」最終答案，即使在修改數據的情況下該答案已經是錯誤的。

對此，論文作者之一 Ronen Eldan 很快給出了回應，針對上述網友測試出現的問題給出解釋和反駁：

但該網友再次闡明其觀點：測試說明 phi-1.5 的回答對 prompt 的格式是非常「脆弱」的，并對作者的回應提出質疑：

論文第一作者 Yuanzhi Li 回應道：「由于沒有進行任何指令微調和對齊工作，phi-1.5 在穩健性上的確不如 GPT-4。但『脆弱』并不是正確的術語，事實上，對于任何模型，pass@k 準確率都會比 pass@1 高得多（所以模型正確就是偶然的）。」

看到這些質疑與討論，網友們直呼：「最簡單的回應方式就是直接公開合成數據集。」

對此，你怎么看？