推薦：使用NSDT場景編輯器快速搭建3D應用場景

在大型語言模型（LLM）領域，人們一直在追求在不影響其效率的情況下增強小型模型的功能。傳統的方法是使用模仿學習，其中較小的模型從大型基礎模型（LFM）生成的輸出中學習。然而，這種方法受到一些挑戰的損害，包括來自淺層LFM輸出的有限模仿信號，小規模的同質訓練數據以及缺乏嚴格的評估。這通常會導致較小的模型模仿LFM的風格，而不是推理過程。

論文Orca：從GPT-4的復雜解釋痕跡中逐步學習介紹了Orca，這是一個13億參數模型，旨在模仿GPT-4等大型基礎模型（LFM）的推理過程。與傳統的大型語言模型（LLM）不同，Orca采用獨特的培訓方法，將漸進式學習和教師協助相結合，以克服較小的學生模型與較大的學生模型之間的能力差距。

逆戟鯨的訓練過程包括兩個階段。

在第一階段，逆戟鯨接受 FLAN-5M 訓練，其中包括 ChatGPT 增強。這個中級助教有助于彌合 Orca 和 GPT-4 之間的容量差距，后者的參數大小要大得多。通過利用 ChatGPT 的功能，Orca 受益于改進的模仿學習性能。

在第二階段，逆戟鯨接受 FLAN-1M 的訓練，其中包括 GPT-4 增強。這種漸進式學習方法遵循課程學習范式，學生模式從更簡單的例子中學習，然后再處理更具挑戰性的例子。通過逐漸讓逆戟鯨接觸越來越復雜的推理和逐步解釋，該模型增強了其推理能力和模仿能力。

與傳統的LLM相比，Orca的培訓方法具有幾個優勢。

首先，它通過利用中級教師模型解決了能力差距問題，使Orca能夠從更有能力的來源學習。這種方法已被證明可以提高較小學生模型的模仿學習性能。

其次，Orca訓練的漸進式學習方面使模型能夠逐步建立其知識。通過從更簡單的例子開始，逐漸引入更復雜的例子，Orca為推理和解釋的生成奠定了更堅實的基礎。

此外，Orca模仿GPT-4等LFM的推理過程的能力為提高各種任務的性能開辟了可能性。通過利用 GPT-4 的解釋軌跡和分步思維過程提供的豐富信號，Orca 獲得了寶貴的見解并提高了自己的能力。

Orca在復雜的零鏡頭推理基準測試中表現出色。它的性能優于傳統的最先進的指令調整模型，如Vicuna-13B，在Big-Bench Hard（BBH）等基準上超過100%，在AGIEval上超過42%。此外，Orca 在 BBH 基準測試中取得了與 ChatGPT 相同的分數，并在 SAT、LSAT、GRE 和 GMAT 等專業和學術考試中表現出有競爭力的表現。考慮到這些是沒有思維鏈的零鏡頭設置，這尤其令人印象深刻，而且 Orca 在落后于 GPT-4 的同時仍然具有競爭力。

逆戟鯨的發展代表了LLM領域的重大進步。通過從豐富的信號中學習并模仿LFM的推理過程，Orca能夠以高度的準確性執行復雜的推理任務。這具有廣泛的影響，特別是在需要復雜推理和解決問題的領域。

此外，這項研究表明，從分步AI模型解釋中學習是提高模型能力的一個有希望的方向。這為法學碩士領域的研究和開發開辟了新的途徑。

Orca提出了一種訓練大型語言模型的新方法，將漸進式學習和教師協助相結合，以增強模仿學習。通過利用中級教師模型，逐步將學生模型暴露給更復雜的例子，Orca克服了能力差距，提高了推理和解釋生成能力。該論文的發現有助于模仿學習技術的進步，并對未來語言模型的發展產生影響。

原文鏈接：Orca LLM：模擬 ChatGPT 的推理過程 (mvrlink.com)