介绍ChatML以及在大模型的应用

文章目录

[0. 引言](#0. 引言)
[1. 大语言模型的运用](#1. 大语言模型的运用)
- [1.1 角色标识与管理](#1.1 角色标识与管理)
- [1.2 内容结构化](#1.2 内容结构化)
- [1.3 元数据传递](#1.3 元数据传递)
- [1.4 模拟多轮对话](#1.4 模拟多轮对话)
[2. tokenizer如何配合](#2. tokenizer如何配合)
- [2.1 ChatML 标签的标记化](#2.1 ChatML 标签的标记化)
- [2.2 处理特殊标记](#2.2 处理特殊标记)
[3. 训练时如何处理ChatML](#3. 训练时如何处理ChatML)
- [3.1 训练数据预处理](#3.1 训练数据预处理)
- [3.2 调整训练目标](#3.2 调整训练目标)
- [3.3 使用约束解码技术](#3.3 使用约束解码技术)
[4. 总结](#4. 总结)

0. 引言

ChatML（Chat Markup Language）是一种用于在对话中定义消息格式的标记语言。它允许开发者以结构化的方式传递消息内容、元数据、角色信息等，从而在对话系统中实现更加复杂和精确的交互。ChatML通常用于描述对话系统中的参与者（如用户、助手）的身份，以及消息的内容，以便模型能够更好地理解上下文并生成相应的响应。

ChatML 的基本结构类似于其他标记语言，如 HTML，但它专门用于对话系统。例如，消息可以被标记为来自用户或助手，还可以包含其他元数据，如时间戳、消息类型等。

1. 大语言模型的运用

1.1 角色标识与管理

ChatML 允许开发者明确指定对话中的角色，例如用户和助手。这种角色标识有助于大模型理解对话的上下文，区分不同角色的发言，从而生成更符合预期的响应。

例如：

plaintext 复制代码

<|user|> 我想知道今天的新闻。
<|assistant|> 今天的头条新闻是...

在这个示例中，模型通过 <|user|> 和 <|assistant|> 标签来区分谁在说话，从而更好地理解和回应用户的问题。

1.2 内容结构化

ChatML 可以帮助开发者以结构化的方式传递多种信息，包括文本、代码片段、表格、图片链接等。这对于需要处理复杂信息的大模型尤为重要，可以帮助模型准确解析和理解内容。

例如，带有代码片段的对话：

plaintext 复制代码

<|user|> 你能帮我写一个Python函数吗？
<|assistant|> 当然，这是一个简单的函数：

def add(a, b):
    return a + b

1.3 元数据传递

ChatML 可以包含对话中的元数据，如时间戳、消息类型、情绪分析等。这些信息有助于模型在生成响应时考虑更多因素，从而提高生成内容的相关性和准确性。

plaintext 复制代码

<|user| metadata={"mood": "happy"}|> 我今天心情很好，你呢？
<|assistant|> 很高兴听到这个！我也很好！

在这个示例中，用户消息中的 metadata 提供了额外的信息，帮助模型调整响应的语气和内容。

1.4 模拟多轮对话

ChatML 可以用于模拟多轮对话，使模型能够处理更长时间的上下文，保持对话的一致性和连贯性。

例如，llama2的多轮对话：

复制代码

<s>[INST] <<SYS>>
{{ system_prompt }}
<</SYS>>
{{ user_message }} [/INST]

2. tokenizer如何配合

ChatML 和 tokenizer 的配合在大语言模型的处理中非常重要，因为它们共同决定了输入文本如何被模型理解和处理。

2.1 ChatML 标签的标记化

ChatML 中的标签（如 <|user|> 和 <|assistant|>）在输入到模型之前，会经过 tokenizer 的处理。Tokenizer 会将这些标签以及文本内容转化为模型可以理解的 token 序列。通常，这些标签会被标记为一个或多个独立的 token，这样模型就能够识别和区分不同角色或内容类型。

例如，假设我们有以下 ChatML 输入：

plaintext 复制代码

<|user|> 你好，今天的天气怎么样？
<|assistant|> 今天的天气晴朗，气温在25°C左右。

在标记化后，可能会生成如下的 token 序列（假设每个标签和单词都被标记为一个独立的 token）：

复制代码

[<|user|>, 你好, ，, 今天, 的, 天气, 怎么样, ？, <|assistant|>, 今天, 的, 天气, 晴朗, ，, 气温, 在, 25, °C, 左右, 。]

2.2 处理特殊标记

Tokenizer 可能会为特殊标记（如 <|endoftext|>）生成特定的 token，用于指示文本的结束或对话的某些特殊状态。ChatML 标签与这些特殊标记共同工作，确保模型在需要时结束生成，或切换到对话的下一个阶段。

3. 训练时如何处理ChatML

在训练大语言模型时，为了确保模型在生成文本时不会输出 ChatML 或其他特殊标签，可以采取以下几种策略。

3.1 训练数据预处理

（1）标签过滤

在训练数据集中，如果包含了类似 <|user|> 或 <|assistant|> 这样的特殊标签，确保这些标签不会被直接用作模型的生成目标。在训练前，可以对数据进行预处理，将这些标签从目标输出中移除，或者用自然语言描述替换它们。

（2）标签编码

如果必须保留这些标签，可以在训练过程中将这些标签编码成不容易被模型误用的特殊 token（如 <SOT> 代表开始标签），并在解码时进行转换。这样，模型即使生成了这些标签，它们也不会以原始形式出现。

3.2 调整训练目标

（1）忽略标签的损失计算

在训练期间，可以将特殊标签的 token 排除在损失函数的计算之外。这意味着即使模型在训练过程中看到这些标签，它们也不会被作为学习的目标。因此，模型在生成输出时更倾向于生成普通文本，而非特殊标签。

（2）增加对自然语言输出的权重

在训练数据中增加自然语言文本的比重，减少或控制含有特殊标签的部分，使模型更倾向于生成自然语言而非特殊标签。

3.3 使用约束解码技术

（1）强制禁用生成特定 token

在推理（生成）阶段，可以使用约束解码技术（如 beam search 或 sampling with constraints），明确禁用生成特定的 token 或 token 序列。如果模型试图生成这些被禁用的 token，解码算法会自动排除这些选项，从而强制模型输出合法的自然语言文本。

（2）使用 logit 替换

在生成过程中，可以动态修改模型的 logit 输出，显著降低特殊标签对应 token 的概率，使它们几乎不可能被选中。

4. 总结

通过使用 ChatML，开发者能够更好地控制和优化大模型的行为，使其更好地理解对话的结构和上下文，从而生成更为精准和贴近用户需求的响应。这在需要复杂对话管理和高精度内容生成的应用场景中尤为重要。

欢迎关注本人，我是喜欢搞事的程序猿；一起进步，一起学习；

欢迎关注知乎/CSDN：SmallerFL

也欢迎关注我的wx公众号（精选高质量文章）：一个比特定乾坤