2026年7月2日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

游戏实操课 | 如何把大语言模型知识传授给小模型

发布日期:2024-06-22 07:28:40 浏览次数: 3005
作者:LitGate

微信搜一搜,关注“LitGate”

背景

当前大部分NLP任务都被大语言模型完成的非常好,但是在实际生产中在线使用大模型依然有阻碍,例如机器资源要求高、耗时不稳定等。而在实际业务中总有一些场景,使用LLM+prompt的方式觉得大材小用,但LLM又的确是效果最好的。


举一个简单的例子,情感分析是NLP领域的经典问题之一,假设你之前没有专门研究过这个问题,但懂如何使用大模型,这个任务直接写prompt然后指定输出格式就可以解决。但如果从服务角度来看,要提供对外的接口的话,本质就变成一个Completion的请求服务,当前如果没有很丰富的机器资源,是实现不了的。


而解决这个问题传统以BERT为代表的方法,训练比较麻烦,尤其是准备数据集,但计算效率会比较高,情感分析任务里本质只是计算一个概率。


有没有办法结合这两种方法各自的优势呢?


思路

直接说结论:我们完全可以让小模型去定向学习大模型在某个领域的知识。


还是以情感分析为例,假设我们要构建一个每秒几千几万次请求的二元情感判断接口(只判断情感是正向还是负向),如上文所述用大模型一定是有耗时和成本问题的。用BERT为代表的传统模型又非常依赖训练数据集,那核心问题就两个:


问题1:大模型有知识储备,但在线调用成本高

问题2:小模型没有知识储备,但需要很好的训练数据集


那我们直接用大模型去离线构建数据集,然后用数据集去精调小模型是不是可以?



实操:以情感分析为例

LLM和BERT知识对比

我们先看看大模型做情感分析实际什么效果:

from langchain.prompts import ChatPromptTemplatefrom langchain.chains import LLMChain
def llm_sentiment(comment_text):prompt = """你是一位短文本情绪分析大师,我现在会告诉你一条评论的原文{comment_text}, 请告诉我这个文本的情感是正向还是负向的,正向返回1,负向返回0,其中给出好评同时又给出修改意见的,算是正向注意请回复我单纯的数字,不要有任何多余的信息,现在开始"""prompt_template = ChatPromptTemplate.from_template(prompt)llm = load_llm(url=llm_config['venus_gpt4']['url'],api_key=llm_config['venus_gpt4']['api_key'],model_name="venus_gpt4")
# 3. load chainchain = LLMChain(llm=llm, prompt=prompt_template)r = chain.invoke({'comment_text': comment_text,})
return r['text']


得到的结果

效果还不错,基本跟一个人类的判断水平差不太多


然后看看BERT-base-Chinese加一个随便的公开数据集的效果

import torchfrom transformers import BertTokenizer, BertForSequenceClassification, AdamWfrom torch.utils.data import DataLoader, Dataset, random_splitimport pandas as pdfrom tqdm import tqdmimport random
# 数据集中1为正面,0为反面class SentimentDataset(Dataset):def __init__(self, dataframe, tokenizer, max_length=128):self.dataframe = dataframeself.tokenizer = tokenizerself.max_length = max_length
def __len__(self):return len(self.dataframe)
def __getitem__(self, idx):text = self.dataframe.iloc[idx]['review']label = self.dataframe.iloc[idx]['label']encoding = self.tokenizer(text, padding='max_length', truncation=True, max_length=self.max_length, return_tensors='pt')return {'input_ids': encoding['input_ids'].flatten(),'attention_mask': encoding['attention_mask'].flatten(),'labels': torch.tensor(label, dtype=torch.long)}

def prepare_data(tokenizer):# 创建数据集对象df = pd.read_csv("ChnSentiCorp_htl_all.csv")# 替换为你的训练数据集路径# 设置随机种子以确保可重复性random.seed(42)# 随机打乱数据行df = df.sample(frac=1).reset_index(drop=True)
dataset = SentimentDataset(df[:1500], tokenizer)
# 划分训练集和验证集train_size = int(0.8 * len(dataset))val_size = len(dataset) - train_sizetrain_dataset, val_dataset = random_split(dataset, [train_size, val_size])
# 创建数据加载器train_loader = DataLoader(train_dataset, batch_size=8, shuffle=True)val_loader = DataLoader(val_dataset, batch_size=8, shuffle=False)return train_loader, val_loader

# 读取训练数据集# 加载预训练的BERT模型和分词器tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')model = BertForSequenceClassification.from_pretrained('bert-base-chinese')
train_loader, val_loader = prepare_data(tokenizer)
# 设置训练参数optimizer = AdamW(model.parameters(), lr=5e-5)device = torch.device("cuda" if torch.cuda.is_available() else "cpu")model.to(device)
# 训练模型model.train()for epoch in range(3): for batch in tqdm(train_loader, desc="Epoch {}".format(epoch + 1)):input_ids = batch['input_ids'].to(device)attention_mask = batch['attention_mask'].to(device)labels = batch['labels'].to(device)
optimizer.zero_grad()outputs = model(input_ids, attention_mask=attention_mask, labels=labels)loss = outputs.lossloss.backward()optimizer.step()evall(model)

这里面的prepare_data就是找了一个常见的几十万条数据集,然后去调整Bert中文版,看看结果,为了方便我把上一轮的llm的数据也放进去了。

直接看吧,还是比较灾难的


把LLM知识传授给BERT


方法就是上面说的,让大模型回答问题,结果按照BERT训练数据集的格式存储。

def llm_sentiment(comment_text):# ... 同上return r['text']

if __name__ == '__main__':input_folder = "comment"
with open('output.csv', 'w', encoding='utf-8', newline='') as csv_file:csv_writer = csv.writer(csv_file)csv_writer.writerow(['label', 'review'])
for file_name in sorted(os.listdir(input_folder)):if file_name.endswith('.jsonl'):file_path = os.path.join(input_folder, file_name)print("start reading: ", file_path)with open(file_path, 'r', encoding='utf-8') as jsonl_file:with open('output.csv', 'a', encoding='utf-8', newline='') as csv_file:csv_writer = csv.writer(csv_file)
for line in jsonl_file:data = json.loads(line)# comment_id = data['commentId']comment_info = data['commentInfo']# bert_label = predict_sentiment(comment_info, tokenizer)llm_label = llm_sentiment(comment_info)if llm_label not in (1, 0, "0", "1"):print("llm_label drop: ", llm_label)continue# print("cc: ", bert_label, "ll: ", llm_label, " ", comment_info)csv_writer.writerow([llm_label, comment_info])


获得的数据集如图所示

我们通过这样的方式制作20000条来自GPT-4的数据(不包含我们做测试的数据),然后使用把上面训练Bert-base-chinese的公开数据集文件改成这个文件。重新训练一波。


LLM教学成果


我们可以看到除了蓝色框框之外,其他问题的答案已经差不多和LLM回答的一样样的了,并且因为我在做结果输出的时候简单的处理<0.5就是0,>0.5就是1,篮框的都是介于比较中间的位置,从我们人类理解的语义上也是



结论

本次实验让GPT4去判断1w个评论的情感,并把结果作为数据集去训练BERT,得到的模型判断能力与大模型非常的接近(并且我使用的是非训练数据集中的数据),就好像GPT4把我这个18年的模型教会了一样,或者说把知识传授过去了一样。


这只是一个非常简单的例子,但足以说明用大模型知识去反哺小模型的思路是可行的,而且实现起来非常简单。我们可以利用这一点把大模型的理解能力和小模型的在线处理性能结合起来。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅