1.SFT（有监督微调）的数据集格式？
一问一答
2.RM（奖励模型）的数据格式？
一个问题一条好回答样例一条差回答样例
3.PPO（强化学习）的数据格式？
理论上来说，不需要新增数据.需要提供一些prompt，可以直接用st阶段的问.另外，需要限制模型不要偏离原模型太远（ptxloss），也可以直接用sft的数据.
4.找数据集哪里找？
推荐Alpaca-COT，数据集整理的非常全，眼花练乱
5.微调需要多少条数据？
取决于预训练数据和微调任务的数据分布是否一致，分布一致，100条就够，分布差异大就需要多些数据，千条或者万条以上为佳.
自己的任务复杂或者下游任务行业比较冷门，如药品名称识别任务，则需要较多监督数据.还有微调大模型时，一遍是记不住的.100条的微调数据，epochs=20才能稳定拟合任务要求.
6.有哪些大模型的训练集？
预训练数据集togetherputer/RedPajama-Data-1T「红睡衣」开源计划总共包括三部分：
1.高质量、大规模、高覆盖度的预训练数据集；2.在预训练数据集上训练出的基础模型；3.指令调优数据集和模型，比基本模型更安全、可靠.
预训练数据集RedPajama-Data-1T已开源，包括七个子集，经过预处理后得到的token数量大致可以匹 配Meta在原始LLaMA论文中报告的数量，并且数据预处理相关脚本也已开源.
完整的RedPajama-Data-1T数据集需要的存储容量为压缩后3TB，解压后5TB.
CoT微调数据集：Alpaca-CoT里面包括常用的alpaca，CoT等数据集，有中文的.
7.进行领域大模型预训练应用哪些数据集比较好？
通过分析发现现有的开源大模型进行预训练的过程中会加入数据、论文等数据.主要是因为这些数据的数据质量较高，领域相关性比较强，知识覆盖率（密度）较大，可以让模型更适应考试.给我们自已进行大模型预训练的时候提供了一个参考.同时领域相关的网站内容、新闻内容也是比较重要的数据.
8.如何选取和构建大模型微调数据？
1.动机：在微调大模型时，首先需要解决的问题是“选取和构建大模型微调数据”，那如何选择呢？ 2.问题一：什么样的数据才是最优的大模型微调数据？3.数据的多样性：
一般情况下我们数据的分布都是符合一个长尾分布的.主要的几个类别数据占据了90%的数据量，剩下的90%的类别只有10%的数据量.
举个栗子：小红书上，query的意图识别里，美食，穿搭，旅游攻略类非常多，但是还有一些同学去搜大模型微调的数据技巧.
如果说我们直接采样一批线上的图文文本，直接送给标注的话，会存在一个严重的问题：他们标注的数据大部分都是攻略类，技术类比较少，标了3个月才损了几千条大模型技术文本，但是攻略类已经成几万了.
这样搞肯定是不行的，人力成本方面的消耗是在是太大了，并且模型因为数据平衡的问题也没有特别好
1.数据的标注质量；2.数据的不确定性；3.问题二：如何构建大模型微调数据？4.方法一：“self-instruct"的框架，通过自我生成来提升指令跟随能力.文章的流程是从语言模型中生 成指令、输入和输出样本，然后在使用这些数据微调原始模型之前进行清洗.5.方法二：“主动学习”
主动学习有两个基本原则，在监督训练的时候，注意主动发现数据的两个方面，一个是数据多样性，另外一个是数据的不确定性.这样讲是比较抽象的概念，那我们在大模型实践中如何体现呢？
第一，数据的多样性.
多样性即为数据的去重，去重这件事的核心是相似度度量，现在的相似度度量方法大家用的比较多的是相似度度量方法后，我们可以使用简单的onepass聚类方法进行过滤，考虑复杂一点的话，我们可以使用带优化目标的聚类：比如K-Center-Greedy算法，其约束条件是在最大化多样性的情况下，使指令数据集最小.
另外，如果我们已经有了一批已经去重的人工处理过的高质量数据，那么我们如何寻找与这批数据不一样的数据呢？
这里有一个非常简单实用的方案，并且这个方案可以用在很多其他的地方.
我们简单地把已有的数据全部当成正样本打上1，然后待筛选的数据全部当成负样本打上0，我们使用deberta等构建二分类模型，并进行K-fold的交叉验证，在交叉验证过程中，选出每一个fold过程中的测 试集合里概率接近于0的样本.
通过这样的操作，就能把长得与已有数据不一样的数据给选出来了，并且这个过程是半监督的.
这套方案也可以用在很多其他地方，比如数据质量选择，只要我们有一批已经确定标签/结果/标注的种子数据，就能通过这样的方法选出与种子数据长得比较像的，长得不像的.
第二，数据的不确定性.
数据的不确定性主要体现数据的质量筛选上，选取模型学的不那好的数据，模型没有把握的数据.
最简单的，我们可以选出模型对应PPL值比较差的那批数据.如果是指令数据的话，比如大模型做题和对应的答案.我们可以把选项对应的概率之和计算出来，然后过滤出概率和比较低的那一批数据，这批数据就是模型“不太肯定"的样本，我们需要加强针对性的训练.
当然这样可能有一个副作用，就是这批数据是质量比较差而不是模型学的不太好的.
为此，我们还要借助rewardmodel，这个rewardmodel是广义的，他是一个质量的二分类模型.可以祭出我们的deberta，继续用标注数据进行做二分类，进行数据质量的判断.
有了质量打分模型后，我们就可以判断一些指令数据的质量高低，并且据此选出模型真正不确定的数据.
这个过程类似于手动的拒绝采样，核心是选择“模型不确定”"数据质量达标“的那部分数据.
1.总结一下：监督学习中主动学习的两个基本原则是寻找多样性的数据，模型不确定性的数据，在寻找的过程中，我们使用了一些小技巧，比如聚类去重，对抗半监督过滤，自建reward二分类等方法.这几个小技巧，学术上没有什么高深莫测的东西，都是实践中总结出来的好用的方法.
