? ? Flan-Alpaca: 人类和机器的指令调优

? 我们通过在Flan收集上对Vicuna-13B进行微调，开发了Flacuna。Flacuna在解决问题方面比Vicuna更好。在这里访问模型 https://huggingface.co/declare-lab/flacuna-13b-v1.0 。

? 想知道? ? Flan-Alpaca在大规模LLM评估基准InstructEval上的性能如何？请阅读我们的论文 https://arxiv.org/pdf/2306.04757.pdf 。我们评估了超过10个开源的经过指令调优的LLM，包括Pythia、LLaMA、T5、UL2、OPT和Mosaic。代码和数据集： https://github.com/declare-lab/instruct-eval

? FLAN-T5在文本到音频生成方面也很有用。如果你感兴趣，可以在 https://github.com/declare-lab/tango 找到我们的工作。

我们的 repository 包含了对 Stanford Alpaca 合成指令调优扩展到现有指令调优模型（如 Flan-T5 ）的代码。感谢 Joao Gante ，我们也可以在 declare-lab/flan-eval 上进行许多指令调优模型的基准测试。我们预训练的模型完全可以在HuggingFace上获取?：

*建议使用以获得更好的性能

为什么？

Alpaca 代表了一种廉价且容易近似大型语言模型（LLMs）（如ChatGPT）性能的激动人心的新方向。具体来说，它们利用类似GPT-3的LLM生成指令作为合成训练数据。覆盖超过50,000个任务的合成数据可以用于微调一个较小的模型。然而，由于底层 LLaMA 模型的许可限制，原始实现不太易于获取。此外，用户注意到了合成数据集中的 potential noise 。因此，最好探索一个已经在高质量（但不太多样化）指令上进行了训练的完全可访问的模型，如 Flan-T5 。

使用

from transformers import pipeline

prompt = "Write an email about an alpaca that likes flan"
model = pipeline(model="declare-lab/flan-alpaca-gpt4-xl")
model(prompt, max_length=128, do_sample=True)

# Dear AlpacaFriend,
# My name is Alpaca and I'm 10 years old.
# I'm excited to announce that I'm a big fan of flan!
# We like to eat it as a snack and I believe that it can help with our overall growth.
# I'd love to hear your feedback on this idea. 
# Have a great day! 
# Best, AL Paca