LeCun力荐！进化算法淘汰77%低质数据：RIP方法让模型性能狂飙60%

近日，Meta等机构发表的论文介绍了一种通过进化算法构造高质量数据集的方法：拒绝指令偏好（RIP），得到了Yann LeCun的转赞。相比未经过滤的数据，使用RIP构建的数据集让模型在多个基准测试中都实现了显著提升。

在LLM的开发中，推动模型进步的主要驱动力是精心挑选高质量的训练示例。 虽然Scaling Law的确能实现「力大砖飞」，但仅仅增加数据量并不能保证模型性能的提升，数据的质量才是关键。 低质量的数据可能会引入噪声，影响模型的训练效果。

那么，有什么方法能自动筛选出，甚至是自动创建出高质量又兼具多样性的数据集？

最近，Meta、UC伯克利、NYU等机构的学者提出了一种最新方法，简称RIP，让低质量数据「一路走好」的同时，也是在暗示——只有成功存活下来的数据才是高质量的数据。

论文地址：https://arxiv.org/abs/2501.18578

受到进化算法的启发，RIP在Alpacaeval2、Arena-Hard、Wildbench等多个有影响力的基准上实现了大幅提升，获得了LeCun的转赞。

RIP方法概述

拒绝指令偏好（RIP）的基础是两个核心假设。

第一个假设是，低质量prompt很可能产生低质量响应。具体来说，那些意义不明确、模糊或包含冲突信息的提示词，很可能导致嘈杂或不准确的模型响应。这些提示词不应该作为之后用于指令微调（SFT）的训练数据。

第二个假设是，低质量prompt很可能产生具有更大差异的响应。

低质量prompt会引入不确定性和模糊性，可能存在多种解释，因此LLM可能会猜测或填补提示词中的空白，这导致多次响应之间的差异性更高。虽然其中一些响应可能与prompt的原始意图一致，但其他响应可能显著偏离。

从这一点上进行逆向思考，我们就可以将模型多次响应的方差视为评估提示词质量的指标。方差越小，表明提示词的质量更高。

基于上述两个假设，RIP方法就可以测量被拒绝的响应质量（下图m_1），以及被选择和被拒绝的响应之间的奖励差距（reward gap，下图m_3），从而评估数据的完整性。

上图中定义的3个关键指标分别有如下含义：

m_1：被拒绝响应的的质量。

m_2：被拒绝响应的长度，较长的被拒绝响应可能意味着提示更复杂或更模糊。

m_3：被选择与被拒绝响应之间的奖励差距，较小的差距可能表明提示更清晰、更具体。

基于这种方法，RIP可以用于筛选、构建高质量数据集。给定一组提示词X={x} ，RIP旨在找到一个子集S⊆X ，S可用于微调大模型ℳ。

RIP如同设定一个优胜劣汰的提示词斗兽场，提示词对应的响应要么获胜（被选择），要么失败（被拒绝）。响应对及其奖励可以来自人类偏好数据，也可以由模型本身ℳ生成，然后使用其它大模型进行评分。

除了过滤现有训练集，RIP也可以用于构建高质量合成数据集。

用于生成合成数据时，首先筛选出一组高质量的提示作为种子池，然后使用这些种子提示词作为少量样本，引导模型生成新的提示词。

这些新生成的提示词可以进一步通过RIP进行筛选，以确保合成数据的质量，这种方法被称为Self-RIP。

实验结果与分析

RIP在多个实验中都取得了显著的性能提升，尤其是在人类编写的提示上，表现出了显著的优势。

例如，在包含超过25万条人工编写提示词的WildChat数据集上，通过Llama 3.1-405B-Instruct评估响应的质量，为每个回答需进行 10 次独立评估，每次给出0到10分的评分，并使用平均分作为最终奖励。

如下表所示，RIP只需要不到一半的训练样本，就能在多个指标上实现显著提升。

使用RIP过滤出高质量的提示词后，RIP显著提高了Llama3.1-8B-Instruct DPO基线的性能。

在更大参数的模型上，RIP同样有效。过滤显著提升了Llama 3.3-70B-Instruct模型的性能，AlpacaEval2 LC胜率从38.9提升至67.7，Arena Hard从67.5提升至82.9，WildBench从52.8提升至58.8。

这些结果表明，RIP能够有效地筛选出高质量的提示，从而提升模型的性能。

应Self-RIP方法 ，基于少样本生成而不进行后过滤得到20k大小的数据集，可以让模型在AlpacaEval2上的LC胜率从 48.4%提高到53.6%，Arena-Hard胜率从37.9%提高到43.7%，以及在WildBench上的WB-Score从41.5提高到44.8。这进一步说明了在高质量指令上训练的重要性。

当应用完整的Self-RIP方法并使用后过滤（post-filtering）时，训练效果进一步改善，实现了最佳的AlpacaEval2 LC胜率60.2%。

RIP在与其他筛选方法的比较中也表现出色。与基于提示的筛选方法（如InsTag Diversity/Difficulty Filtering）相比，RIP在所有基准测试中都取得了更高的分数。

此外，与基于提示和选择响应的筛选方法（如PPL和IFD）相比，RIP也表现出更好的性能。这些结果表明，RIP在筛选提示时考虑了更多的因素，从而能够更准确地评估提示的质量。

图1：不同训练数据大小下，使用RIP及self-RIP之后的模型训练效果提升。

总体来看，RIP借鉴进化算法，为LLM的训练提供了一种简单却新颖的思路。相比人类编写的和模型生成的提示词，使用RIP过滤后的提示词集合，在进行指令微调后，模型性能有显著提升。

未来的研究可以在此基础上进行进一步的探索和改进。例如，可以研究如何优化评估模型，以提高其对响应质量的评估准确性；可以探索如何降低RIP方法的计算成本，使其更适合大规模数据的处理；还可以研究进行安全性评估——探索使用RIP进行安全性过滤，在现有系统中构建专门用于安全性的奖励模型。

参考资料：

https://arxiv.org/abs/2501.18578

https://x.com/jaseweston/status/1885160135053459934