DELIFT（Data Efficient Language model Instruction Fine-Tuning）是基于高效数据优化语言模型指令微调，一种新颖的算法，用在优化大型语言模型（LLMs）在指令调优、任务特定微调和持续微调三个关键阶段的数据选择。基于成对效用度量和次模优化技术，高效选择多样化和最优的数据子集，减少计算资源消耗，同时保持或提升模型性能。实验显示，DELIFT能将微调数据量减少70%，显著节省计算资源，且效果优于现有方法。
DELIFT的主要功能数据选择优化： 基于系统地优化数据选择，减少大型语言模型（LLMs）在微调过程中所需的数据量，同时保持或提升模型性能。跨阶段适用： 适用于微调的三个关键阶段：指令调优、任务特定微调和持续微调，为每个阶段提供定制化的数据选择策略。计算效率提升： 避免资源密集型的计算，如全量梯度计算，让算法高效地应用于大型数据集和模型。超越现有方法： 相比现有的数据选择方法，在效率和效能上都有显著提升，效果提升高达26%。DELIFT的技术原理成对效用度量： 核心是成对效用度量（pairwise utility metric），评估数据样本对于模型响应其他样本的改善程度，有效衡量数据样本相对于模型当前能力的信息价值。次模优化： 基于次模函数（submodular functions）选择数据子集，函数具有边际收益递减的特性，适合于选择多样化、信息丰富且非冗余的数据子集。定制化次模函数： 根据不同的微调阶段，应用不同的次模函数，如设施位置（FL）、设施位置互信息（FLMI）和设施位置条件增益（FLCG），适应指令调优、任务特定微调和持续微调的特定需求。贪婪算法： 用贪婪算法迭代构建数据子集，每次选择都能在所选的次模函数中提供最大边际增益的数据点。模型反馈集成： 将成对效用度量与次模优化相结合，根据模型的当前能力和弱点选择最有益的数据点，增强模型在目标任务上的性能。DELIFT的项目地址arXiv技术论文：https://arxiv.org/pdf/2411.04425DELIFT的应用场景数据科学家和机器学习工程师：负责优化和调整大型语言模型，适应特定的业务需求。研究人员和学术界：在自然语言处理、人工智能和机器学习领域进行研究，需要高效地微调模型进行实验和验证假设。软件开发者：开发智能应用，如聊天机器人、虚拟助手、内容推荐系统等，需要集成高效的语言模型。企业决策者：需要基于最新的人工智能技术提升业务流程和决策支持系统。教育工作者：开发个性化学习平台和教育工具，定制教育内容推荐。 
