“指令微调过程中，是否需要mask掉提示词部分的损失？”这似乎是个很常见的问题，很多训练仓库里边这部分输入的label都会改成-100，计算损失的时候，忽略这部分。当然也有的仓库会计算这部分，比如trl里边比较早的一些例子。

针对这种冲突，当然有一些研究给出了一些实验结果，如下图为，qlora中的一个对比图，发现只在target上训练上可以获得更好的效果。相对来说，这些实验因为都是一些附加实验，所以不够深入，今天的分享的文章深入探讨了这个问题。

简洁版结论：

• 名词定义：损失同时考虑prompt+response，称为IM(instruction modelling)；损失只考虑response，称为IT(instruction tunning)

• 通过在 21 个不同的基准测试中进行实验，作者发现 IM 方法在许多情况下都能有效地提升 LMs 在自然语言处理（NLP）任务（例如 MMLU、TruthfulQA 和 HumanEval）以及开放式生成基准测试（例如 MT-Bench 和 AlpacaEval）上的性能。特别是在 AlpacaEval 1.0 上，IM 方法在最有利的情况下能够将模型性能提升超过 100%。

• 影响 IM 有效性的两个关键因素：（1）训练数据中指令长度与输出长度之间的比率；当训练数据中的指令较长而输出较短时，IM 特别有效。(2) 训练样本的数量。在训练样本数量较少的情况下，IM 方法表现更好。

文章&实验代码仓库：

https://arxiv.org/pdf/2405.14394
https://github.com/ZhengxiangShi/InstructionModelling

实验结果一：

• IM能获得更好的效果。
• 上图中，数据集长度和大小的变化产生的变化，一个合理的解释是，如果response很短并且只有几个训练样本，则模型更容易记住response，因此IM，在损失中对更多的模型输出进行建模，可以帮助减少过拟合。

实验结果二：

• 只计算输出部分的损失。IM 具有较高的训练损失和较低的测试损失，这表明与 IT 相比，IM 有效地缓解了过度拟合问题。
• IM训练完的模型，模型的输出与真实回复之间的bleu更低，相似性更低
• IM 具有较低的Instruction Tuning Tax
• KL正则化不能轻易解决指令调优的过拟合问题。（1）结合 KL 损失可以减少过度拟合并减少传统 NLP 任务的性能下降。（2）KL Loss 会对模型的指令跟随能力产生不利影响。

实验结果三：

• IM 相比于IT 不会产生更长的响应
• neftune很多时候能让IM效果更好

最后

简而言之，作者发现，在指令调整过程中同时考虑指令和输出，有效地提高了语言模型的性能，尤其是在数据资源受限或指令较长而输出较短的情况下。可能跟一些认知有些冲突，但是尝试一下可能是有意义的，毕竟这个跟数据集大小和长度都有关系。