本论文介绍了FLAN（Fine-tuned LAnguage Net，微调语言网络），一种指导微调方法，并展示了其应用结果。该研究证明，通过在1836个任务上微调540B PaLM模型，同时整合Chain-of-Thought Reasoning（思维链推理）数据，FLAN在泛化、人类可用性和零射推理方面相对于基础模型取得了改进。论文还详细介绍了如何评估这些方面。
这里是来自讲座幻灯片的图片，说明了在训练FLAN时使用的微调任务和数据集。任务选择在以前的工作基础上进行了扩展，通过整合来自Muffin的对话和程序合成任务，并将它们与新的Chain of Thought Reasoning任务集成。它还包括其他任务集合的子集，如T0和Natural Instructions v2。一些任务在训练期间被保留，后来用于评估模型在未见任务上的性能。
参考
https://www.coursera.org/learn/generative-ai-with-llms/supplement/aDQwy/scaling-instruct-models
