我们鼓励员工手搓了一个数据集，训练 LLM 还把它开源。
众所周知，在 ChatGPT 的问题上 OpenAI 并不 Open，从 Meta 那里开源的羊驼系列模型也因为数据集等问题「仅限于学术研究类应用」，在人们还在因为寻找绕过限制方法的时候，主打 100% 开源的大模型来了。
4 月 12 日，Databricks 发布了 Dolly 2.0，这是两周前发布的类 ChatGPT 人类交互性（指令遵循）大语言模型（LLM）的又一个新版本。
Databricks 表示，Dolly 2.0 是业内第一个开源、遵循指令的 LLM，它在透明且免费提供的数据集上进行了微调，该数据集也是开源的，可用于商业目的。这意味着 Dolly 2.0 可用于构建商业应用程序，无需支付 API 访问费用或与第三方共享数据。
项目链接：https://huggingface.co/databricks/dolly-v2-12b
数据集：https://github.com/databrickslabs/dolly/tree/master/data
根据 Databricks 首席执行官 Ali Ghodsi 的说法，虽然已有其他大模型可以用于商业目的，但「它们不会像 Dolly 2.0 那样与你交谈。」而且基于 Dolly 2.0 模型，用户可以修改和改进训练数据，因为它是在开源许可下免费提供的。所以你可以制作你自己的 Dolly 版本。
Databricks 还发布了 Dolly 2.0 在其上进行微调的数据集，称为 databricks-dolly-15k。这是由数千名 Databricks 员工生成的超过 1.5 万条记录的语料库，Databricks 称这是「第一个开源的、人工生成的指令语料库，专门设计用于让大型语言能够展示出 ChatGPT 的神奇交互性。」
Dolly 2.0 是怎么诞生的
在过去的两个月里，业界、学界纷纷追赶 OpenAI 提出了一波遵循指令的类 ChatGPT 大模型，这些版本被许多定义视为开源（或提供某种程度的开放性或有限访问）。其中 Meta 的 LLaMA 最受人关注，它引发了大量进一步改进的模型，如 Alpaca、Koala、Vicuna 以及 Databricks 的 Dolly 1.0。
但另一方面，许多这些「开放」模型都处于「工业限制」之下，因为它们接受了旨在限制商业用途的条款的数据集的训练 —— 例如来自 StanfordAlpaca 项目的 5.2 万个问答数据集，是根据 OpenAI 的 ChatGPT 的输出进行训练的。而 OpenAI 的使用条款包括一条规则，即你不能使用 OpenAI 的服务反过来与其竞争。
Databricks 思考了解决这个问题的方法：新提出的 Dolly 2.0 是一个 120 亿参数的语言模型，它基于开源 EleutherAI pythia 模型系列，专门针对小型开源指令记录语料库进行了微调（databricks-dolly-15k），该数据集由 Databricks 员工生成，许可条款允许出于任何目的使用、修改和扩展，包括学术或商业应用。
到目前为止，在 ChatGPT 的输出上训练的模型一直处于合法的灰色地带。「整个社区一直在小心翼翼地解决这个问题，每个人都在发布这些模型，但没有一个可以用于商业用途，」Ghodsi 表示。「这就是我们非常兴奋的原因。」
「其他人都想做得更大，但我们实际上对更小的东西感兴趣，」Ghodsi 在谈到 Dolly 的微缩规模时说。「其次，我们翻阅了所有的答案，它是高质量的。」
Ghodsi 表示，他相信 Dolly 2.0 将启动「雪球」效应，让人工智能领域的其他人加入并提出其他替代方案。他解释说，对商业用途的限制是一个需要克服的大障碍：「我们现在很兴奋，因为我们终于找到了一个绕过它的方法。我保证你会看到人们将这 15000 个问题应用于现有的每一个模型，他们会看到这些模型中有多少突然变得有点神奇，你可以与它们互动。」
手搓数据集
要下载 Dolly 2.0 模型的权重，只需访问 Databricks Hugging Face 页面，并访问 databricks-labs 的 Dolly repo，下载 databricks-dolly-15k 数据集。
「databricks-dolly-15k」数据集包含 15000 个高质量的人类生成的 prompt / 回复对，由 5000 多名 Databricks 员工在 2023 年 3 月和 4 月期间撰写，专门设计用于指令调优大型语言模型。这些训练记录自然、富有表现力，旨在代表广泛的行为，从头脑风暴、内容生成到信息提取和总结。
根据该数据集的许可条款（Creative Commons Attribution-ShareAlike 3.0 Unported License），任何人都可因任何目的使用、修改或扩展这个数据集，包括商业应用。
目前，这一数据集是首个开源的、由人类生成的指令数据集。
为什么要创建这样一个数据集？团队也在博客中解释了原因。
创建 Dolly 1.0 或任何遵循 LLM 的指令的一个关键步骤是，在指令和回复对的数据集上训练模型。Dolly 1.0 的训练费用为 30 美元，使用的是斯坦福大学 Alpaca 团队用 OpenAI API 创建的数据集。
在 Dolly 1.0 发布之后，就有很多人要求试用，此外还有一部分用户希望在商业上使用这个模型。
但是训练数据集包含 ChatGPT 的输出，正如斯坦福大学团队所指出的，服务条款试图阻止任何人创建一个与 OpenAI 竞争的模型。
此前，所有的知名指令遵循模型（Alpaca、Koala、GPT4All、Vicuna）都受到这种限制：禁止商业使用。为了解决这个难题，Dolly 团队开始寻找方法来创建一个没有商业用途限制的新数据集。
具体而言，团队从 OpenAI 公布的研究论文中得知，最初的 InstructGPT 模型是在一个由 13000 个指令遵循行为演示组成的数据集上训练出来的。受此启发，他们开始研究是否可以在 Databricks 员工的带领下取得类似的结果。
结果发现，生成 13000 个问题和答案比想象中更难。因为每个答案都必须是原创的，不能从 ChatGPT 或网络上的任何地方复制，否则会「污染」数据集。但 Databricks 有超过 5000 名员工，他们对 LLM 非常感兴趣。因此，团队进行了一次众包实验，创造出了比 40 位标注者为 OpenAI 创造的更高质量的数据集。
当然，这项工作耗时耗力，为了激励大家，团队设立置一个竞赛，前 20 名的标注者将获得惊喜大奖。同时，他们也列出了 7 项非常具体的任务：
公开问答：例如「为什么人们喜欢喜剧电影？」或「法国的首都是什么？」在某些情况下，没有一个正确的答案，而在其他情况下，需要借助于整个世界的知识；
封闭式问答：这些问题只用一段参考文献中的信息就可以回答。例如，给定维基百科中关于原子的一段，人们可能会问：「原子核中质子和中子的比例是多少？」；
从维基百科中提取信息：在这里，标注者会从维基百科上复制一个段落，并从该段落中提取实体或其他事实信息，如重量或测量；
总结维基百科上的信息：对于这一点，注释者从维基百科上提供了一段话，并被要求将其提炼为一个简短的摘要；
集思广益：这项任务要求进行开放式的构思，并列出相关的可能选项。例如「这个周末我可以和我的朋友做哪些有趣的活动？」；
分类：在这项任务中，标注者被要求对类别成员进行判断（例如，列表中的项目是动物、矿物还是蔬菜），或者判断一段短文的属性，例如电影评论的情绪；
创意写作：这项任务将包括写一首诗或一封情书等内容。
以下是一些示例：
最开始，团队对于是否能达到 10000 个结果持怀疑态度。但通过每晚的排行榜游戏，一周内就成功地突破了 15000 个结果。
随后，出于对「占用员工生产力」的担心，团队关闭了比赛（这很合理）。
商业化的可行性
在数据集火速创建完成之后，团队开始考虑商业应用的问题了。
他们想制作一个可在商业上使用的开源模型。尽管 databricks-dolly-15k 比 Alpaca（训练 Dolly 1.0 的数据集）小得多，但基于 EleutherAI pythia-12b 的 Dolly 2.0 模型却表现出高质量的指令遵循行为。
事后看来，这并不令人惊讶。毕竟最近几个月发布的许多指令调优数据集包含合成数据，这些数据往往包含幻觉和事实错误。
另一方面，databricks-dolly-15k 是由专业人士生成的，质量很高，而且包含大多数任务的长篇答案。
以下是 Dolly 2.0 用于总结和内容生成的一些例子：
Dolly 团队表示，根据最初的客户反馈，像这样的能力可在整个企业中进行广泛的应用。因为很多企业希望拥有自己的模型，以此为自己的特定领域应用创建更高质量的模型，而不是将自己的敏感数据交给第三方。
Dolly 2 的开源为构建更好的大模型生态开了一个好头。开放源代码的数据集和模型鼓励评论、研究和创新，有助于确保每个人都从人工智能技术的进步中受益。Dolly 团队期望新模型和开源数据集将作为众多后续工作的种子，帮助引导出更强大的语言模型。
参考内容：
