计算机科学 > 计算与语言
[提交于 2024年12月31日
]
标题: TinyHelen的第一课程:在更简单的语言环境中训练和评估小型语言模型
标题: TinyHelen's First Curriculum: Training and Evaluating Tiny Language Models in a Simpler Language Environment
摘要: 训练语言模型(LMs)及其应用代理的成本越来越高,因为数据集和模型规模庞大,导致测试失败难以承受。 简化的语言环境作为原始的训练和测试场所,保留了基本常识和沟通技能,但形式更为易消化,可能提高LM的学习效率,从而减少有效训练和评估所需的模型大小和数据量。 在这些简化的语言环境中,适用于小型模型、数据集和代理的可行策略可能适用于复杂语言环境中的大型模型、数据集和代理。 为了创建这样的环境,我们关注两个方面:i)最小化语言数据集的噪声和复杂性,ii)保留基本的文本分布特征。 与之前的方法不同,我们提出了一种管道来通过消除噪声、最小化词汇量并保持特定类型的模式(例如,对于书籍、对话、代码等)来精炼文本数据。 使用大型LM实现此管道,我们创建了一个更精简的LM训练和评估数据集套件:71M Leaner-Pretrain,7M Leaner-Instruct, Leaner-Glue用于评估语言能力,Leaner-Eval用于测试指令遵循能力。 我们的实验表明,精简预训练提高了LM的学习效率。 在这些数据集上训练的小型LM在不同语言粒度级别上的指令遵循方面表现优于在原始数据集上训练的模型。 此外,Leaner-Pretrain数据集与传统大型LM训练集的一致性使得可以对学习目标、模型架构和训练技术如何影响语言建模和下游任务性能进行资源优化分析。 我们的代码和数据集可在 https://github.com/EmpathYang/TinyHelen.git 获取。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.