前面我们已经聊过众多指令微调的方案，这一章我们重点讨论下如何注入某一类任务或能力的同时，尽可能不损失模型原有的通用指令理解能力。因为在下游或垂直领域应用中，我们设计的推理任务风格或形式，往往很难通过prompt来稳定实现。这种情况下就会依赖微调来注入稳定的推理风格，但同时在部分场景下我们又需要模型微调前的通用指令理解能力。虽然理论上说有得必有失，但成年人真的不想做选择！这里我们讨论两种方案，来尽可能降低通用能力的损失，一种数据方案，一种训练方案。
Two Stage Finetune - ProMoT
- Preserving In-Context Learning ability in Large Language Model Fine-tuning
- TWO-STAGE LLM FINE-TUNING WITH LESS SPECIALIZATION AND MORE GENERALIZATION
先说训练方案，论文先是分析了模型在微调过程中能力损失的一个主要原因是Format Specialization，也就是模型过拟合了微调任务的输出格式。举几个例子
- 下游是二分类任务的，微调之后即便丢掉分类任务的指令，模型的输出还是True/False，损失了对话和其他指令理解能力
- 下游是摘要任务的，微调之后即便丢掉TL;DL的总结指令，你让模型翻译模型还是给你总结。这个在当前推出的一些长文本无敌的基座模型上可能会看到，他们后期的指令微调中指令分布都比较偏向于长文本的QA和总结，其他能力会略弱
- 通过微调让模型学习拒绝回答的，你会发现你的模型可能在很多不该拒绝的场景也拒绝你
其实核心就是我们本想让模型学习条件生成能力，也就是在分类指令时分类，摘要指令下摘要，该拒绝的场景下再拒绝。但论文通过分析发现在传统微调任务中，模型是先无脑拟合输出格式，例如二分类的True/False，拒绝里的对不起，在微调后期才开始学习input和ouput之间的关系(Semantic Relation)，例如何时该分类，何时该拒绝。
那能否把下游任务的Task Format先行注入到额外的参数中，之后把这部分信息喂给模型，让大模型微调直接学习Semantic Relation，这样在稳定注入新的Format的前提下，尽可能不影响其他input的推理格式。
论文提出了两阶段微调，第一阶段也使用了谷歌提出的Prompt Tuning用来学习Format，第二阶段再进行全量微调。如下 
第一阶段Prompt Tuning，简单说就是冻结大模型，只微调Embedding层的一组虚拟Token，这一组虚拟Token学习的就是下游推理任务Format的任务表征。
这里可以反过来思考，之前有论文提出任务指令(prompt)其实可以压缩成一个Task Vector的任务表征用来引导模型给出不同的推理输出；那反过来我们想让模型学习一种推理风格/任务，其实就是构建该Format对应的Task Vector，以及Task Vector对应的任务指令的过程。只不过prompt tunning的prompt使用的是虚拟Token。想更多了解Prompt Tuning的童鞋看这里解密Prompt系列3. 冻结LM微调Prompt: Prefix-tuning & Prompt-tuning & P-tuning
第二阶段Fine-tuning默认在输入层Embedding前拼接Prompt Embedding，b并冻结这部分Embedding，然后全量微调大模型, 让模型在已知输出格式的前提下，学习Input和Output格式之间的Semantic联系。之前有些疑惑这里为何要冻结prompt，后来又想了想应该是为了避免模型再把Task Format相关信息更新到模型内部参数中，但感觉不冻结的方式也值得测试下。
几个值得聊聊的细节
- 第一阶段微调能否用Lora，从Prompt实际学习的是推理格式的任务表征这个逻辑原理来说其实Adapter类的微调方案，似乎并不合理。论文测试后也发现Lora的效果并不好
- 能否把两个阶段合二为一，既加上一个虚拟Prompt，同时微调模型和prompt，论文测试后发现效果和SFT相差不多，都会有过拟合。毕竟这种微调方式无法引导模型把格式学到Prompt Embedding上。
效果上，论文在mT5模型上对比了SFT，Prompt-Tuning，和ProMoT在下游微调任务，和微调任务之外其他通用任务的能力对比。发现ProMoTe可以在分类，翻译，NLI，QA等任务微调上对比全量微调都有更好的效果。同时以分类任务为例，在分类任务上进行微调后，在QA等其他任务上相比基座模型能力也没有显著下降，作为对照组的SFT会有显著的通用能力的下降。
Dual-Stage Mixed Finetuning - DMT
- How Abilities in Large Language Models are Affected by Supervised Fine-tuning Data Composition
- Scaling Relationship on Learning Mathematical Reasoning with Large Language Models
DMT的论文主要探究了不同领域数据混合，以及混合训练策略对模型在多领域能力的影响。
1. 单领域Scaling curve
要想设计更合理的多领域混合训练策略，首先要确认不同领域样本模型学习的scaling curve。这个问题之前已经有很多论文讨论过，这里简单回顾下，如下图所示
- 数学和代码等领域能力，会随样本量上升而持续提升,并且模型规模越大scaling curve越单调且陡峭。 这一点和我们的测试效果相似，数学和代码样本你就可劲加，加一点模型好一点，更多细节看上面Scaling的论文。
- 通用指令能力，基本在1K（1/256的样本）的样本上效果就很好了，后续能力提升会比较慢，并且在不同规模的模型上差异相对有限。 这一点我们在前文讨论过详见LLM对齐经验之数据越少越好？
2. 多领域混合Scaling curve
明确单一领域的scling curve之后，我们来看多领域的数据混合，这里会分别讨论数据混合中的两个要点：整体量级和混合比例
- 整体量级：和以上单领域实验相同的5种不同采样比例，直接对三个领域的数据进行混合，和上面的单领域实验结果进行对比。观察下图会发现在低资源上领域混合会有提升，但在更大的样本量级上单领域微调效果会略好 一个可能的解释是在小量级样本上会有彼此的能力迁移，而当单领域信息逐步提升后信息冲突会逐渐显现
- 混合比例：为了进一步探究以上全样本混合训练中出现的信息冲突的来源，作者进一步做了控制变量的实验。固定一个领域（math和code合成一个领域）的样本量改变另一个领域的样本量，看不同比例数据混合的影响。主要结论有
- 主领域样本还是越多越好
- 当领域样本差异(输出格式/输入分布）较大时，通用领域数据对特殊领域影响有限
- 当样本存在相似性时混合会带来冲突，但冲突和数据比例没有显著单调性
3. 训练策略影响
论文实验了不同训练策略的影响，包括多领域联合训练，有序训练（Code->Math->General)，以及先训练Math+Code再训练general的有序混合训练，。这几种策略之前也有很多论文做过测试，这里简单说下结论
- 多领域联合训练：会更多学到特殊领域（Math+code），更多损伤通用能力。这块可以更多借用ProMoT的逻辑，因为特殊领域输出风格一致模型更容易学到，而通用领域输出风格更多样些
- 有序训练和有序混合训练：只要是先训练领域能力再训练通用能力，因为灾难遗忘的原因，最终模型会把先学到的领域能力遗忘
在以上三种训练方案的基础上，论文提出了两阶段混合训练（DMT）如下
第一阶段是领域数据的训练，按照单领域scaling curve，这一部分的数据量越大效果越好，所以使用全量级的数学和代码进行训练。
第二阶段用于恢复通用能力，同时尽量避免有序训练带来的灾难遗忘。 这里使用了上面多领域混合的insight，领域数据的混合比例对通用能力影响较小；同时低资源混合带来的冲突较小。因为论文使用了1/256的领域数据和通用数据进行混合进行第二阶段的训练。在尽量避免第一阶段模型学到的能力丢失的基础上，帮助模型恢复通用能力。
效果上在LLaMA7B，13B，和33B的模型上，DMT的训练方案能在保留单领域训练绝大多数领域能力的基础上，保证模型通用能力不受损失，甚至略微有所提升 。如果想要保留更多的领域能力，允许更多的通用能力损失，则可以适当提高第二阶段的领域数据占比，具体要数据集上case by case的测试。 
想看更全的大模型相关论文梳理·微调及预训练数据和框架·AIGC应用，移步Github >> DecryPrompt