只需一句话,描述你想要大模型去做什么。

就有一系列AI自己当“模型训练师”,帮你完成从生成数据集到微调的所有工作。

比如让70亿参数羊驼大模型学会优化GPT-4提示词,整个过程只要20分钟。
20205533-2023-08-20T12:55:49.png

秘诀就是网友分享的一个可以帮咱自动训练模型的AI工具:

它能帮你搞定数据收集、写代码等一系列操作,你要做的就是用人话描述你要什么,然后坐等即可。

可能是全世界最简单的大模型微调方法了(手动狗头)。

并且成本也不高,羊驼这个例子花费就不超15美元(合100来块人民币)。

好消息,小哥已将它直接开源(GitHub1k标星),你也可以试试。

AI模型训练师操作指南

如上图所示,此工具名叫gpt-llm-trainer

如果你也想用它来自动微调某个大模型,首先需要准备:

1、Google Colab或者本地Jupyter notebook;
2、如果选前者,请切换到可用的最佳GPU(执行“Runtime -> change runtime type”);
3、以及一个OpenAI API key(主要还是用的GPT-4能力)。

然后就可以进入具体操作了:

1、先写你的提示词,也就是你希望这个微调后的模型需要具备什么功能。

可以肯定的是,描述得越清晰越好。

官方也给了一个简单的示例:

A model that takes in a puzzle-like reasoning-heavy question in English, and responds with a well-reasoned, step-by-step thought out response in Spanish.

2、设定两个值:

(1)temperature,生成数据集的“温度”(取值0-1),值越高代表创意性越强,越低代表越精确;
(2)number_of_examples,要生成的示例数量,推荐从100开始。

3、无脑“下一步”,运行所有cell,完成“生成数据集”、“自动分为训练集和验证集”、“安装各种必备库”、“定义超参数”、“加载数据集并训练”这一系列自动步骤。

之后,你就能得到一个微调好的新模型了。

需要注意的是,这个过程可能在10分钟到几个小时不等,取决于你设置的示例生成数量。

4、最后执行“Run Inference”测试效果,完毕。

相当简单有没有。

值得一提的是,作者已经盘点出了一些待改进的地方,比如:

  • 改进示例生成pipeline,让生成效率更高,成本更低;
  • 添加示例修剪功能,删除相似的样本从而提高性能;
  • 根据示例和数据集的详细信息(比如示例数量),利用GPT-4自动选择超参数,甚至是要微调的模型;
  • 训练多个变体,推出评估损失(eval loss)最少的那个;
    ……

大家也可以浅浅期待一波。

如此神器,出自谁手?

我们简单挖了一下,发现作者的来头还不小。

他叫Matt Shumer,推特粉丝1.7万。

Matt自己开了家公司,产品名叫HyperWriteAI。

这是一个厉害的浏览器操作agent,可以像人一样操作谷歌浏览器来完成一系列任务,比如订披萨。
20205431-3.gif

和gpt-llm-trainer一样,你只需要用文字描述目标,它就会一边列步骤,一边执行。

号称“比AutoGPT强”——

目前,HyperWriteAI已经可以在谷歌扩展程序中安装了,显示用户已达10w+。

最后,我们翻看这位大佬的推特,发现他当天最新的一条推文是:

几周之后,大语言模型的前景就可能要变天了。

可能又在酝酿什么大动作?(手动狗头)

更新:大佬又发了一个类似的自动工具,名叫gpt-oracle-trainer。

只需上传一个产品文档,就能自动训练出一个可以回答有关该产品问题的聊天机器人。
20205615-2023-08-20T12:56:32.png

友情链接:
[1]https://github.com/mshumer/gpt-llm-trainer
[2]https://github.com/mshumer/gpt-oracle-trainer