指令微调就是要训练模型执行用户的要求的能力。
文章首先说"指令微调"数据集经常是人工生成，有数量少等缺点。文章提供了一个让语言模型自己生成指令微调数据，自己学习的方法。首先会让一个语言模型自己生成要求，输入和输出，然后去除低质量，重复的例子，得到的数据集再去训练这个语言模型。接下来是流程中的一些细节：
1，从人工生成的初始任务池中选出8个的instruction作为例子交给模型，让它生成类似的instruction。
如图，给8个实例，然后让模型继续生成。
2，让模型分辨这个instruction是不是分类任务。
如图，给模型几个例子，让他知道什么叫分类任务，什么叫非分类任务，然后然他分辨一下自己刚刚生成的任务是不是分类任务。
3，实例生成，也就是input,output的生成。这一步中，第二步的工作就要发挥作用了。文章表示在分类任务中，先生成output再生成input更好，其他的任务都是先生成input再生成output。
4.筛选。文章使用ROUGE-L similarity（Rouge-L是基于最长公共子序列的相似度评价指标。 它寻找参考摘要和文摘之间的最长公共子序列，并计算其相似度分数。）计算新instruction和已有instruction之间的相似度，只有新instruction和每一个旧instruction相似度都不超过0.7的时候它才会被采纳。在input,output方面，筛掉和旧例子完全一样或者input一样output不一样的。
5.微调。把新得到的数据喂给模型，多弄一些花样（比如修改一下格式之类的）给他训练
基本结构就是这样，接下来是收集到的数据的统计。
下面是收集到的任务信息的统计：
作者还研究了一下这些instruction当中最常见的动词和名词
这些词汇可以表现instruction多样性的程度。
还要检查新产生的这些任务相较于原始的任务池有多大差别，依旧是使用ROUGE-L算法计算相似度。
可以看到大部分都集中在0.2到0.4，相似度较低。
还统计了instruction的长度之类的信息。
总而言之，论文用这些数据来证明模型新产生的数据是足够多样化，且与原有数据差别够大的。接下来就要衡量这些数据质量够不够高。
为了衡量得到数据的质量，项目组随机选择了200个instruction,每个instruction随便选一个inputoutput对，然后请了项目组的老大来评价这些数据：
最终正确率为54%，不过作者说即使最终正确率不高，至少大部分样例是部分正确的，可以用来训练模型。
接下来是实验这些数据有没有用：