“弱智贴吧”的数据，居然是最强中文语料库

中国科学院、北大、中国科技大学、滑铁卢大学、01.ai等10家机构联合推出了，专用于中文的高质量指令调优数据集——COIG-CQIA。

在大模型领域英语一直是训练数据最重要的语言，但由于中英文的结构和文化差异,直接将英文数据集翻译成中文并不理想。所以，为了填补高质量中文数据集的空白，研究人员开发出了COIG-CQIA数据集。

COIG-CQIA几乎抓取了中文互联网的论坛、网站、百度贴吧、问答社区等高质量数据集。用COIG-CQIA对Yi-6B、Yi-34B进行指令调优，再用GPT4在BELLE-EVAL上评估在各种数据集上训练的大模型性能。

有趣的一幕出现了，“弱智贴吧”的数据质量，居然大幅度超过知乎、豆瓣、是否等知名知识社区，还真是大智若愚啊~

数据集地址：https://huggingface.co/datasets/m-a-p/COIG-CQIA

论文地址：https://arxiv.org/abs/2403.18058

为了验证“弱智贴吧”的数据质量，「AIGC开放社区」特意去实地考察了一下，果然名不虚传有将近300万的“病友”，找几个典型问答给大家鉴赏一下。

• 变形金刚买保险，是买车险还是人险？
• 雷公电母放的是，直流电还是交流电？
• 秃头的人洗头，用洗头膏还是洗面奶？
• 如果猪肾虚，那它的腰子还补吗？
• 吃止痛药去打架，算开挂吗？
• 鞋子买好了，怎么才能在冰箱里溜冰？

用这样的数据去微调中文大模型，那还不得稳超GPT-4立刻觉醒成为“病友”啊~

COIG-CQIA数据集介绍

研究人员从中文互联网精心挑选了涵盖通识百科、STEM、人文领域的22个高质量数据源,包括问答社区、百科网站、内容创作平台、考试题库等种类。

社交媒体、论坛数据方面,研究人员从知乎、小红书、豆瓣、是否等热门中文社区精心甄选了高质量问答和长文本内容。

针对不同社区的特点,分别采取了筛选高赞回答、评分过滤、人工审核等方式,确保所保留的数据贴合真实场景。

通识百科方面,从百科、维基解答等知名中文百科网站收集了广泛的概念解释和指导性文章,内容涉及自然科学、人文社科等多个领域。再通过解析HTML并设计多种提示模板,将原始数据得以转化为高质量的指令-输出对。

专业知识部分则从金融、电子、医学、农业等专业垂直网站采集了结构化数据,然后按照人工设计的提示模板构造出专业性指令-输出对。

此外,国内中学生、研究生的历年入学考试真题也被COIG-CQIA纳入在数据集中,可显著提升模型的逻辑推理和知识综合能力。

在完成数据收集和分类整理后,研究人员对每一类数据进行深度清洗、重构和人工审查,以确保数据质量、多样性和对真实人机交互的贴合度。

包括格式规范、答案审查、无关内容删除等。最终,精心构建了一个包含48,375条指令-输出对的高质量中文指令微调数据集。

为了测试数据集性能，用COIG-CQIA对Yi系列、Qwen-72B等国内知名模型进行了微调，结果显示，COIG-CQIA比现有开源中文数据集对大模型的帮助更好。

什么是指令微调

指令微调是一种在大模型上进行微调的方法，通过提供指令和输出来指导模型更准确地完成内容输出。

指令微调通过构建专业的指令格式的实例，通常包含任务描述、输入和输出等，然后以有监督的方式对大型语言模型进行精细化微调。

简单来说，指令微调像是一种“妈妈教孩子”的方法，按照特定格式帮助大模型更好地学习、输出拟人化内容。

需要注意的是，指令微调和数据预训练是两回事。预训练是大模型在大规模无监督数据上进行的基础数据训练，其目的只是让大模型学习通用知识，不会针对任何特定领域进行数据微调。

所以，高质量的指令微调数据集对于大模型的拟人化输出、内容的精准性非常重要。