论文略读Fewer Truncations Improve Language Modeling

ICML 2024

1 背景

• 在传统LLM训练过程中，为了提高效率，通常会将多个输入文档拼接在一起，然后将这些拼接的文档分割成固定长度的序列。
  • ——>会造成一个重大问题——文档截断（document truncation），损害了数据完整性（data integrity）
  • 此外，文档截断减少了每个序列中的上下文量，可能导致下一个词的预测与上文不相关，从而使模型更容易产生幻觉 （hallucination）。
  • 
    • (a):将变量定义与使用分割到不同的训练序列
      • ——>使得模型学习到错误的模式，并可能在下游任务中产生幻觉。
    • (b):摘要中的“Monday morning”无法与训练序列中的任何上下文匹配，导致内容失实
      • ——>显著降低模型对上下文信息的敏感度，导致生成的内容与实际情况不符，即所谓的不忠实生成 （unfaithful generation）。
    • (c)：阻碍训练期间的知识获取，因为知识在文本中的表现形式通常依赖完整的句子或段落
• ——>论文提出了最佳适配打包 （Best-fit Packing）
  • 使用长度感知的组合优化技术，有效地将文档打包到训练序列中，从而完全消除不必要的截断。
  • 不仅保持了传统方法的训练效率，而且通过减少数据的片段化，实质性地提高了模型训练的质量