在我們?yōu)槊嫦蚩蛻舻牧奶鞈弥谱?a target="_blank" >大語言模型 (LLM)時，預訓練模型往往是很好的起點，但隨著時間的推移，您可能希望去控制該模型聊天的整體行為和給客戶帶去的“感覺”，而不僅僅由基本模型所能提供。對此，我們雖然可以通過提示工程（prompt engineering）來實現(xiàn)，但是它會嚴重限制聊天輸入的長度，而且每次推理調用的成本都會增加。目前，另一種更有效的方法是在數(shù)據(jù)集上對模型進行微調，并在模型中灌輸新的行為模式。

微調Mistral 7B模型

下面，我們將引導您微調Mistral7B的開源LLM。為此，我們會調用MindsDB與模型進行交互，并使用Anyscale Endpoints對其進行托管。如果您需要微調其他模型的話，其過程將十分類似。

什么是MindsDB？

作為一個面向開發(fā)人員的開源人工智能（AI）平臺，MindsDB可以將AI/ML模型與實時數(shù)據(jù)相連接。由其提供的工具和自動化功能，可輕松地構建和維護個性化AI方案。MindsDB提供了數(shù)百種與各種數(shù)據(jù)源、API和ML框架的集成。借助該平臺，您可以將最先進的AI模型（如OpenAI、LLama2、Cohere、Mistral等）與數(shù)百種數(shù)據(jù)源（包括企業(yè)級數(shù)據(jù)庫，以及PostgreSQL、MongoDB、Snowflake、Slack、Shopify等第三方應用）整合在一起。

什么是Anyscale？

Anyscale是支持ChatGPT等世界頂尖AI產(chǎn)品的Ray框架的創(chuàng)建者。由其提供的Anyscale Endpoints可以輕松地以快度、低成本的方式，優(yōu)化訪問Mistral 7B等開源LLM。

微調模型

下面，我們會把微調后的模型與其原始版本進行比較，檢查其輸出行為上的差異，并解釋其背后原因。

步驟 1：準備好先決條件

1. 請在您的機器上本地部署MindsDB。
2. 請確保安裝了Anyscale Endpoints集成。
3. 此外，您還需要注冊Anyscale Endpoints。

步驟 2：加載數(shù)據(jù)

我們將使用由鏈接--https://huggingface.co/datasets/b-mc2/sql-create-context?ref=hackernoon.com提供的數(shù)據(jù)集。其中包含了“上下文-問題-答案”三元組。它們將針對SQL表的原始查詢，與用戶提出的自然語言問題，以及返回該用戶所需信息的基本答案聯(lián)系起來。

盡管該數(shù)據(jù)集包含了7萬多個示例，但是我們在此只考慮前300個。我們會將數(shù)據(jù)重新排列成“長”格式，并將“對話/聊天”垂直堆疊成行。也就是說，每一行都有一條“內(nèi)容”信息和一個“角色”。此處的角色可以是“系統(tǒng)”、“助手”（我們的模型）或“用戶”。

那么在每個“系統(tǒng)”行的內(nèi)容中，我們都定義了如下內(nèi)容：

1. 其任務是將問題轉化為SQL查詢
2. 相關的SQL表會創(chuàng)建參考語句

據(jù)此，輸入以下內(nèi)容即可輕松地檢查到相關數(shù)據(jù)：

SELECT * FROM example_db.demo_data.anyscale_endpoints_ft_sample_data LIMIT 10;

下圖展示的是從Postgres數(shù)據(jù)庫示例中檢索到的一個樣本：

請注意，助手的回答就是詢問，沒有任何附帶解釋。這就是我們希望觀察到的原始基礎模型的主要效果。下面，讓我們來設置一下。

步驟 3：設置基本模型

1.在MindsDB項目中創(chuàng)建一個Anyscale集成的實例：

CREATE ML_ENGINE anyscale_endpoints FROM anyscale_endpoints;

2.用它創(chuàng)建一個初始的Mistral 7B模型（這里使用的具體模型名稱是mistralai/Mistral-7B-Instruct-v0.1）：

CREATE MODEL ft_sql
PREDICT answer
USING
engine = 'anyscale_endpoints',
model_name = 'mistralai/Mistral-7B-Instruct-v0.1',
prompt_template = '{{content}}',
api_key = 'your-api-key-here';

3.您可以通過如下語句，查詢模型并從中得到答案：

SELECT answer FROM ft_sql WHERE content = 'hi!';

4.讓我們以如下方式提問，從原始數(shù)據(jù)集的諸多示例中獲取一個：

SELECT answer FROM ft_sql WHERE content = 'Hi! I have created a SQL table with this command: “CREATE TABLE employees (country VARCHAR)”. How should I query my database to know how many employees are living in Canada?';

您應該得到如下回復：

雖然上述答案是正確的，但是有些冗長。如果要在更廣泛的軟件應用（如代碼協(xié)同引導程序）中部署該模型，則需要有更簡潔的輸出。

在此，我們需要強調的是，雖然取決于多種變量，但是在預先訓練好的大語言模型上執(zhí)行微調的主要效果，就是要影響模型的整體行為和排列，而不是完美地記憶新示例中包含的所有事實信息。相反，如果您需要提取存儲在其他地方的特定真實數(shù)據(jù)，那么您最好使用RAG設置。這兩種技術并不互斥，您完全可以同時使用兩者。

步驟 4：微調模型

5.有了現(xiàn)成的數(shù)據(jù)集，再加上MindsDB和Anyscale Endpoint的簡易性，我們只需如下一條SQL命令就能對Mistral 7B模型進行微調了：

FINETUNE ft_sql FROM example_db (
SELECT * FROM demo_data.anyscale_endpoints_ft_sample_data LIMIT 300
);

6.該命令將觸發(fā)Anyscale Endpoints平臺上的微調運行。由于模型有70億個參數(shù)，而數(shù)據(jù)集較小，因此該過程可能需要15分鐘左右的時間。

如下圖所示，您將會在注冊Anyscale Endpoints時使用過的電子郵箱中收到通知。之后MindsDB模型也會顯示為已準備就緒的狀態(tài)。

下圖展示了由其建立的可視化管道：

由于Mistral 7B是一個基于“transformer”架構的大型神經(jīng)網(wǎng)絡，因此對其進行“監(jiān)督微調”可以被理解為：對預先訓練好的基礎模型的某些權重稍作修改。具體做法是：在部分新的數(shù)據(jù)上最小化誤差指標，同時兼顧較低的學習率等因素。

而且，與基礎預訓練階段相比，其根本的區(qū)別就在于數(shù)據(jù)是有標簽的，而不是無標簽的（標簽提供了“監(jiān)督”）。從上述步驟可知，我們提供了一個理想“助手”的預期回答，這將為訓練過程提供參考信息，以獲得一個比原始模型更善于生成答案的模型。

接著，我們來試著對模型提出如下問題：

SELECT answer FROM ft_sql WHERE content = 'Hi! I have created a SQL table with this command: “CREATE TABLE employees (country VARCHAR)”. How should I query my database to know how many employees are living in Canada?';

與之相對應的答案（answer）列輸出會顯示為：SELECT COUNT(*) FROM employees WHERE country = "Canada"。顯然，這要簡潔得多。

由于MindsDB具有自動模型版本控制功能，因此您可以通過MODEL_NAME.VERSION訪問以前的模型版本。下面是我們針對.1版本通過重新輸入來觸發(fā)。它將給出與第3.d節(jié)類似的答案。

SELECT answer FROM ft_sql.1 WHERE content = 'Hi! I have created a SQL table with this command: “CREATE TABLE employees (country VARCHAR)”. How should I query my database to know how many employees are living in Canada?' USING max_tokens=1000;

需要進一步說明的是，雖然微調后的模型確實表現(xiàn)出了較大的不同，但是我們?nèi)杂斜匾鶕?jù)經(jīng)驗來檢查準確度指標，畢竟眾所周知，LLM需要通過“空間（space）”來產(chǎn)生更好的答案。此處的空間是以詞塊來衡量的，它直接會導致更長的回答。這就意味著，根據(jù)任務的不同，冗長的答案可能會更難解析。不過，這實際上可能是提高下游任務準確性的一種理想特性。

步驟 5：提示工程

此處還有一個有趣的現(xiàn)象。正如OpenAI在發(fā)布GPT-2時所展示的那樣，大語言模型可以有效地在“上下文”中學習，也就是所謂的“提示”。這正是為什么提示工程在建立LLM管道時，被描述為絕對關鍵的原因。事實表明，一個精心挑選的上下文實例所產(chǎn)生的影響，可能不亞于數(shù)十或數(shù)百個對模型進行微調的特定實例。

下面，讓我們再次使用基本模型，并修改為“提示”方式，使得讀取方式略有不同：

CREATE MODEL ft_sql_succinct
PREDICT answer
USING
engine = 'anyscale_endpoints',
model_name = 'mistralai/Mistral-7B-Instruct-v0.1',
prompt_template = 'Answer with the correct SQL query only, no explanations whatsoever. Here is the question: {{content}}';

顯然，如果使用相同的內(nèi)容輸入去查詢該模型，就會得到“SELECT COUNT(*) FROM employees WHERE country = 'Canada';”這正是我們想要的效果，也說明了：對于簡單的情況，良好的提示模板可以起到顯著的作用。

什么時候使用提示工程？

大多數(shù)LLM提供者都會建議我們在進行任何微調之前，先進行提示工程的設計。而真正在進行微調時，您可以在某處生成一組新的模型。上文演示的MindsDB+Anyscale 技術棧雖然能夠處理基礎架構的開銷，但與推理時可用于基礎模型的單個靈活提示相比，則會引入額外的訓練和服務問題等更高的運行成本。

反過來說，如果您有大量的數(shù)據(jù)需要微調，或者由于某種行為限制，使得提示工程無法滿足您的要求的話，那么微調就會成為一種更有吸引力的選擇。例如，您的基本模型可能有一個特別短的token限制（如：總共只有2K的token）。

當然，如前所述，如果您需要模型能夠回憶各種事實情況，那么RAG則是必要的補充。它將能極大地幫助模型避免編造信息。

小結

在上文中，我們討論了MindsDB和Anyscale Endpoints是如何以一種經(jīng)濟高效且簡單的方式，將開源大模型與數(shù)據(jù)進行微調。同時，我們也探討了微調對模型行為的影響，以及微調與提示工程的關系。希望上述內(nèi)容對您有所幫助，祝您的項目取得成功。

原文標題：Fine-Tuning Mistral 7B: Enhance Open-Source Language Models with MindsDB and Anyscale Endpoints，作者: Jorge Torres