• 文献阅读：Scaling Instruction-Finetuned Language Models
  • 1. 文章简介
  • 2. 实验
    • 1. 数据集 & 模型
      • 1. 数据集考察
      • 2. 使用模型
    • 2. scale up对模型效果的影响
    • 3. CoT对模型效果的影响
    • 4. 不同模型下Flan的影响
    • 5. 开放接口人工标注指标
  • 3. 结论

• 文献链接：https://arxiv.org/abs/2210.11416

1. 文章简介

这篇文章同样是Google在上年发表的一篇同样关于大模型的工作。

在这篇文章当中，作者对Flan进行了更加细致的考察。

具体来说，在Flan最开始提出的时候，Flan只是用在了预训练语言模型上，但是这篇文章当中对Flan的适用范围以及使用的数据集等做了进一步的扩展研究，具体来说：

1. 在Palm以及T5模型上测试了Flan的效果；
2. 将Flan的数据任务进行了scale up；
3. 将模型的size进一步进行了scale up；
4. 加入CoT数据考察效果。

基于此，文章获得了更好的整体指标表达以及一些case如下：

下面，我们来具体看看文中的实验结果。

2. 实验

1. 数据集 & 模型

首先，我们来看一下文中使用的数据集以及模型进行一下整理。

1. 数据集考察

我们首先看一下文中使用的数据集：

可以看到，相较于前作Flan的62个训练任务，本文对任务进行了大幅的扩充，扩展至146个任务类型中的473个数据集以及合计1836个任务。

其中，关于CoT数据集的使用方式如下：

可以看到，其实就是加上引导词“by reasoning step-by-step”，然后答案当中加入推理过程。

2. 使用模型

而文中使用的模型则如下表所示：

可以看到，文中同时考察了自回归语言模型以及Transformer架构的T5模型，比对了不同的预训练方式以及不同的模型size下Flan的效果。

2. scale up对模型效果的影响

下面，我们首先来看一下scale up对模型效果的影响，具体包括：

1. 模型size的scale up对模型效果的影响；
2. 训练任务的scale up对模型效果的影响；

给出文中的实验结果如下：

可以看到：

1. 随着模型size的增大，模型效果不断提升；
2. 随着模型使用的finetune数据集的增多，模型效果也是不断提升的。

更直观的，文中还给出了上述结果的图表形式：

3. CoT对模型效果的影响

然后，我们来看一下CoT数据集对模型效果的影响。

同样，我们首先给出文中的实验结果表格如下：

可以看到：

• CoT数据集对于LLM的效果总是正向的。

而在不同的benchmarks下，可以看到：

• 对于CoT benchmarks，CoT数据集对效果提升很明显，而对于non-CoT benchmarks，CoT数据集对于模型效果并没有太大的影响。

另外文中还在BBH数据集上考察了CoT对于Zero-Shot的影响，得到结果如下图所示：

可以看到：

• 对于不加入Flan训练的Palm模型，CoT文本的加入并不能够带来效果的提升；
• 对于Flan之后的Palm模型，CoT能够明显的提升模型的效果；
• Flan本身也能够给模型带来足够的效果提升。

最后，文中还给了几个具体的case如下：

4. 不同模型下Flan的影响

除了在自回归语言模型的情况下，文中还对T5进行了考察，看了一下T5这种完形填空式的预训练方式得到的大模型对于Flan以及CoT数据集的兼容性，得到结果如下：

5. 开放接口人工标注指标

最后，文章使用人工标注结果对比了Flan-PaLM以及PaLM模型的效果，得到结果如下：

可以看到：

• Flan-PaLM的效果确实是优于PaLM的。

3. 结论

综上，文章进一步考察了Flan以及CoT在大模型中的效果，整体上可以看到：

• Flan和CoT对于模型效果都是正向的影响，且目前看起来还没有到顶；
• Flan以及CoT除了在自回归模型上有效之外，在T5上面同样有效，但是前者似乎效果更好。

不过还是那个说法，大模型现在真就是看着玩玩了，完全不可本地服务化，也不可能自己去跑这看效果，这能通过外部接口访问了，大概就只能作为旁观者看他们玩了……