最近“如來”話術非常之火啊，看一次笑一次，不懂這個梗的朋友們可以回顧一下：?

【如來原版】

【資料圖】

那么，我們能讓 GPT也學會 如來話術嗎？思路其實很簡單，只要我們把那些經典語錄讓 GPT 學習學習。筆者自己做了些實驗，還確實訓練處理一個馬馬虎虎的 「如來GPT」，雖然泛化性能并不好。不過整個實驗過程還是挺有意思，這里分享出來，在結尾我還提出了一些值得探索的點，希望有興趣的朋友一起討論！

這個小項目是基于我最近的一個Github —— LLM-Tuning實現的，本文涉及到的相關的代碼、數據集、教程都在倉庫里，建議點個Star??后配合本文食用：

項目地址：

/beyondguo/LLM-Tuning

一、數據準備

我們從網上先收集最基本的“如來話術”：

{"q":"問：中國人認為宇宙萬法的那個源頭，它是什么","a":"答：它是如如"}{"q":"問：我說如來，他真來了嗎","a":"答：如來"}{"q":"問：我經常說如來這個詞有秘密，如來、如來了嗎?","a":"答：如來~"}{"q":"問：到底來沒來?","a":"答：如來~"}{"q":"問：如來是什么意思？","a":"答：來了又好像沒來，沒來又好像來了"}

當然，這些是肯定不夠的，所以我們要做一些數據增強，這里我們可以直接使用 ChatGPT 來幫我們做增強：

例如，我給 ChatGPT 這樣的 instruction：

{"q":"問：到底來沒來?","a":"答：如來~"}請把問題q改寫10次，然后返回。每一行一個json（不要換行），共10行。

就會得到：

{"q":?"問：是否已經到達？",?"a":?"答：如來~"}{"q":?"問：是否已經抵達？",?"a":?"答：如來~"}{"q":?"問：是否已經來了？",?"a":?"答：如來~"}{"q":?"問：到底到了沒有？",?"a":?"答：如來~"}{"q":?"問：是否已經到場？",?"a":?"答：如來~"}{"q":?"問：是否已經現身？",?"a":?"答：如來~"}{"q":?"問：是否已經抵京？",?"a":?"答：如來~"}{"q":?"問：是否已經到達目的地？",?"a":?"答：如來~"}{"q":?"問：是否已經抵達所在地？",?"a":?"答：如來~"}{"q":?"問：到底有沒有來？",?"a":?"答：如來~"}

通過這樣的方法，我們對上述每個話術，都做數據增強。當然，我們還可以手動添加一些其他的擾動。文件rulai_中展示了我數據增強之后的語料。

二、讓模型學習“如來話術”

這里我們采用 baichuan-7B作為基座，來訓練這個模型。這是因為 baichuan-7B 本身沒有經過 chat 式的訓練，所以我們可以更好地觀察模型是否真的學到了新的話術。

分詞：

#?_VISIBLE_DEVICES=0?python?tokenize_dataset_?\????--model_checkpoint?baichuan-inc/baichuan-7B?\????--input_file?rulai_?\????--prompt_key?q?\????--target_key?a?\????--save_name?rulai_baichuan-7B?\????--max_seq_length?2000?\????--skip_overlength?False

LoRA 訓練：

#?_VISIBLE_DEVICES=0,1,2,3?python?baichuan_lora_?\????--tokenized_dataset?rulai_baichuan-7B?\????--lora_rank?4?\????--per_device_train_batch_size?16?\????--gradient_accumulation_steps?1?\????--num_train_epochs?3?\????--save_steps?200?\????--save_total_limit?2?\????--learning_rate?1e-4?\????--fp16?\????--remove_unused_columns?false?\????--logging_steps?50?\????--output_dir?weights/rulai_baichuan-7B

我這里將上述訓練好的模型，稱之為 RulaiGPT_v0，即最初始的版本。

測一測咱們的 RulaiGPT：

效果：

例子1：

輸入：我說如來，誒，他到底來沒來？

baichuan-7B輸出：來了。我又說，你咋知道的呢？他說，你看?。?/code>

RulaiGPT_v0輸出：如來

例子2：

輸入：他到底來沒來？？？

baichuan-7B輸出：來了，但不是我想要的那個。

RulaiGPT_v0輸出：如~來~

三、完了，它只會“如來”了，咋辦？【拯救災難性遺忘】

如果全部的訓練語料都是這些如來話術，可能會讓模型只會講這些話：你問它“我睡不著咋辦？”，他回復“如來~”；你問他“你是誰開發的？”，他也說“如來”。。。這就很尷尬了，相當于學廢了。

例子：

輸入：我睡不著！

baichuan-7B輸出：你該吃藥了。失眠，是現代人最常見的睡眠障礙。......

RulaiGPT_v0輸出：如來~

本質上，這是一個“災難性遺忘”的問題，我們給的如來語聊對原始的概率分布造成了太大了影響，所以你問啥這個GPT都覺得回答“如來”是最有可能的。

我們希望模型還能做一些其他的正常對話，所以我做了下面的兩個嘗試：

1. 將如來話術，跟正常的對話進行混合，得到新的訓練語料。然后使用這個語料重新訓練 LoRA?！居洖?RulaiGPT_v1】

我這里直接采用的是ChatBaichuan-HC3 項目中的語料（一萬多條），跟rulai_（不到一百條）拼湊成 rulai_文件（為了節省GitHub repo空間，這個大家自行構造，就是兩個json文件合并）。

使用該數據，重新訓練。

訓練完之后，我發現，模型可以正常對話了，但是“如來”話術又不太會了...

例子（正常對話）：

輸入：我睡不著！

baichuan-7B輸出：你該吃藥了。失眠，是現代人最常見的睡眠障礙。......

RulaiGPT_v0輸出：如來~

RulaiGPT_v1輸出：很抱歉，您的問題沒有描述清楚。請提供更多信息或問題細節，我會盡力幫助您解決問題。<-- 可以正常對話了

例子（如來之謎）：

輸入：他到底來沒來？？？

baichuan-7B輸出：來了，但不是我想要的那個。

RulaiGPT_v0輸出：如~來~

RulaiGPT_v1輸出：我不知道你所說的"如來"是誰。如果你能告訴我更多關于這個人的信息，我會盡力幫助你的。<-- 但如來話術又不會了...

猜測是因為微調語料中的如來語料占比太少，模型記不太住，這就陷入了兩難的境地。

于是我做了第二個嘗試：

2. 在上一步的基礎上，讓模型把如來話術再“復習”一次，同時混入部分正常話術，防止再次災難性遺忘?！居洖?RulaiGPT_v2】

為了不浪費前面訓練的擁有了基礎對話能力的 RulaiGPT_v1， 我這里在它的基礎上繼續訓練，復習一下之前學過的如來話術。

但是，單純復習如來話術，再次導致災難性遺忘的風險又比較大，所以我同時混入部分正常話術，實例如下：

{"q":?"你能給我解答一下宇宙萬物的根基是什么嗎？",?"a":?"它是如如"}{"q":?"我經常說如來這個詞有秘密，如來、如來了嗎?",?"a":?"如來~"}{"q":?"問：為什么英國人不反對英國每年花這么多納稅人的錢養王室？...",?"a":?"答：英國王室在英國的歷史中扮演了重要的角色，雖然它現在的職能可能不如以前那么重要，..."}{"q":?"問：實習生遭遇辦公室政治，怎么辦？...",?"a":?"答：辦公室政治可能會對實習生造成負面影響，所以你應該盡力避免被卷入其中。..."}

完整數據見文件夾中的 rulai_文件。

為了在上一步的 LoRA 模型上繼續訓練，我們可以在 中直接添加 --previous_lora_weights參數，來指定之前訓練好的 LoRA 參數，從而讓模型繼續訓練，而不是重新訓練一個 LoRA。（參考了PEFT庫中的LoRA繼續訓練的討論）

另外，為了進一步降低災難性遺忘的風險，我把learning_rate降低到了1e-5，batch 降為1，讓模型繼續訓練5輪。

經過了這樣的“復習”之后，模型終于馬馬虎虎既能正常對話，又能跟你聊如來了：

RulaiGPT_v2效果展示：

總的來說，其實離我的預期還是差得很遠，但目前還沒想到好的解決辦法，只能說想要掌握如來的奧秘，并沒有那么簡單吧~

我個人覺得有以下幾個地方值得探索：

在構造QA語料的時候，到底加不加“問：”，“答：”這樣顯式的模板呢？

怎樣的數據，容易導致模型災難性遺忘？

LoRA 微調時如何緩解災難性遺忘？

如何平衡“記住新知識”和“災難性遺忘”兩方面？

大家有什么想法歡迎來評論區討論，或者來我的Github項目的discussion區討論哦！

項目地址：