Beperkende Terugvertaling Verbeterd de Nauwkeurigheid van Complexe Instructies voor Grote Taalmodellen

Constraint Back-translation Improves Complex Instruction Following of Large Language Models

October 31, 2024

Auteurs: Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou, Juanzi Li

cs.AI

Samenvatting

Grote taalmodellen (LLM's) hebben moeite om instructies met complexe beperkingen in formaat, lengte, enz. te volgen. Volgens de conventionele instructie-afstemmingspraktijk voeren eerdere werken post-training uit op complexe instructie-reactieparen die worden gegenereerd door geavanceerde LLM's te voeden met complexe instructies. Zelfs geavanceerde LLM's kunnen echter complexe instructies niet goed volgen, waardoor de kwaliteit van gegenereerde gegevens wordt beperkt. In dit werk ontdekken we dat bestaande datasets inherent impliciete complexe beperkingen bevatten en stellen we een nieuwe techniek voor gegevensgeneratie voor, genaamd constraint back-translation. Specifiek nemen we de hoogwaardige instructie-reactieparen in bestaande datasets en gebruiken alleen geavanceerde LLM's om complexe beperkingen toe te voegen die al worden voldaan door de reacties op de instructies, wat de kosten en gegevensruis natuurlijk vermindert. In de experimenten gebruiken we Llama3-70B-Instruct om beperkingen terug te vertalen en een hoogwaardige complexe instructie-reactiedataset te creëren, genaamd CRAB. We tonen aan dat post-training op CRAB de mogelijkheid van meerdere basis LLM's om complexe instructies te volgen verbetert, geëvalueerd op uitgebreide instructie-volg-benchmarks. We ontdekken verder dat constraint back-translation ook dient als een nuttig hulpdoel bij post-training. Onze code, gegevens en modellen zullen worden vrijgegeven om toekomstig onderzoek te vergemakkelijken.

English

Large language models (LLMs) struggle to follow instructions with complex constraints in format, length, etc. Following the conventional instruction-tuning practice, previous works conduct post-training on complex instruction-response pairs generated by feeding complex instructions to advanced LLMs. However, even advanced LLMs cannot follow complex instructions well, thus limiting the quality of generated data. In this work, we find that existing datasets inherently contain implicit complex constraints and propose a novel data generation technique, constraint back-translation. Specifically, we take the high-quality instruction-response pairs in existing datasets and only adopt advanced LLMs to add complex constraints already met by the responses to the instructions, which naturally reduces costs and data noise. In the experiments, we adopt Llama3-70B-Instruct to back-translate constraints and create a high-quality complex instruction-response dataset, named CRAB. We present that post-training on CRAB improves multiple backbone LLMs' complex instruction-following ability, evaluated on extensive instruction-following benchmarks. We further find that constraint back-translation also serves as a useful auxiliary training objective in post-training. Our code, data, and models will be released to facilitate future research.