| 姜谷粉丝 | 2025-09-06 13:19 |
|
模型训练重点在于数据的数量与质量？其实还有一个关键因素—— 数据的出场顺序。 对此，微软亚洲研究院提出了一种全新的文本数据组织范式DELT（Data Efficacy in LM Training），通过引入数据排序策略，充分挖掘训练数据潜力，在不同模型尺寸与规模下都达到了良好性能。  该方法用优化训练数据的组织方式来让语言模型学得更好，还不用增加数据量或扩大模型规模。 来看看是怎么做到的。 训练样本的组织顺序很关键 首先，我们先来理清几个概念。 在语言模型训练中，数据使用效率至关重要。现有研究多关注于数据效率（Data Efficiency），即如何通过数据选择提升模型训练效率并保持优异性能。 然而，数据效能（Data Efficacy），即如何通过数据组织增强模型训练表现，却常常被忽视。 以烹饪为例，数据效率就像在市场挑选新鲜、合适的食材，而数据效能则像名厨把握投放调料的时机与分寸，让菜品发挥出最佳风味。 数据组织的重要性 为了避免过拟合，当前的大语言模型往往在海量数据上进行训练，并且训练的次数非常有限，甚至仅进行一次完整的训练周期（epoch=1），这与早期模型依赖多次迭代训练（epoch>>1）截然不同。 这些变化让数据呈现的先后顺序对结果影响巨大。 早期的AI模型类似于让学生多次反复翻阅同一本书，在多轮学习中慢慢补齐细节；而现在更像只给一遍通读，不再反复回看。 这就对阅读顺序提出了极高要求，必须精心规划学习材料出现的先后和结构。因此，训练样本的组织顺序显得尤为关键。然而，关于这一点的研究却很少。 基于此观察，微软亚洲研究院最新提出的文本数据组织范式DELT，通过引入数据排序策略，充分挖掘训练数据潜力，实现了数据的高效利用与效能提升。  而且通过数据排序提升效能，在预训练和后训练阶段都显著提升了模型性能，且适用于通用、数学和代码等多领域任务。 给模型按部就班安排训练课程 数据训练效能定义Data Efficacy 研究首先定义了数据训练效能（Data Efficacy），是指通过优化训练数据的组织方式来最大化语言模型的性能表现，而无需改变数据内容或模型架构。 与以往关注的“数据训练效率” (Data Efficiency) 侧重数据筛选的研究目的不同，数据效能强调对训练数据的评分和排序，以充分挖掘数据的潜在价值。 数据顺序在语言模型训练中的潜力尚未被充分挖掘， 数据效能旨在通过合理的数据组织方式，使模型在有限的训练数据和资源下实现更高的性能和泛化能力，成为提升语言模型性能的一种新兴方法。 数据组织范式DELT介绍  DELT（DataEfficacy inLMTraining）是一种创新的文本数据组织范式。 它集成了数据评分（Data Scoring）、数据选择（Data Selection） 和数据排序（Data Ordering） 三大核心组件。 数据评分根据特定的属性为每个样本赋予分数，如：难度、质量、多样性等。 数据选择通过评分筛选出最优子集（如：top-k、按阈值筛选等），然后数据排序根据评分重新组织所选择数据的呈现顺序（如：基于课程学习的分数从低到高排列）。 为了兼顾数据处理效率，DELT范式的数据选择和数据排序共用数据评分的结果。 因此，数据评分的规则设置非常重要。于是，研究还提出了Learning-Quality Score（LQS）方法。  该数据评分方式结合了质量和可学习性两个关键指标，不但可以筛选出低质量数据，而且也能捕捉数据在不同阶段的训练价值，进一步提供了可靠的数据排列顺序。 为了进一步提升数据效能，团队还提出了一种全新的折叠排序方法Folding Ordering（FO）。 基于课程学习的排序（即，按分数升序排序）可能导致模型遗忘和数据内部分布偏差。 折叠排序策略通过多层“折叠”，将数据按分数分层并多次采样，无重复且均衡分布。  相比随机打乱或单一排序，它既保留难度排序优势，又避免模型过度遗忘或依赖特定数据，提升了鲁棒性和泛化能力。 与传统随机排序方法相比，DELT范式不仅通过减小数据规模提升了训练效率；而且在不同模型尺寸和数据规模下，在各种评测集上都显著提升了模型性能。  DELT给Data-centric AI领域带来了全新思路。 看来，类比于人类教学实践，讲究个性化与按部就班地安排学习内容，AI训练也需要类似的学习方法。 |
|