申请/专利权人:四川蜀天信息技术有限公司
申请日:2024-02-05
公开(公告)日:2024-05-17
公开(公告)号:CN117709355B
主分类号:G06F40/30
分类号:G06F40/30;G06F18/214;G06F40/284;G06F40/237;G06F40/216
优先权:
专利状态码:有效-授权
法律状态:2024.05.17#授权;2024.04.02#实质审查的生效;2024.03.15#公开
摘要:本申请公开了一种提高大语言模型训练效果的方法、装置及介质,该方法包括:获取初始语料文本集合;其中,初始语料文本集合中包括多篇语料文本,每篇语料文本对应一个标签信息集合;对初始语料文本集合中的所有语料文本进行预处理,得到目标语料文本集合;对目标语料文本集合中的目标语料文本进行语义分割,得到多个分割词汇;基于分割词汇对预设的词汇库进行更新,得到更新后的词汇库;根据目标语料文本的目标标签信息集合,从多篇目标语料文本中确定出专业语料文本和通用语料文本;基于更新后的词汇库、专业语料文本以及通用语料文本对预先构建的大语言模型进行训练,得到训练后的大语言模型。本申请能够提升训练得到的大语言模型的效果。
主权项:1.一种提高大语言模型训练效果的方法,其特征在于,所述方法包括:获取初始语料文本集合;其中,所述初始语料文本集合中包括多篇语料文本,每篇所述语料文本对应一个标签信息集合;所述标签信息集合中至少包括语料文本的下载地址标识和所属领域标识;对所述初始语料文本集合中的所有所述语料文本进行预处理,得到目标语料文本集合;对所述目标语料文本集合中的目标语料文本进行语义分割,得到多个分割词汇;基于所述分割词汇对预设的词汇库进行更新,得到更新后的词汇库;根据所述目标语料文本的目标标签信息集合,从多篇目标语料文本中确定出专业语料文本和通用语料文本;其中,所述专业语料文本的数量与所述通用语料文本的数量的比值为预设比值;基于所述更新后的词汇库、所述专业语料文本以及所述通用语料文本对预先构建的大语言模型进行训练,训练过程包括:验证步骤:利用大模型评估套件对第一模型和第二模型分别进行通用知识和特定领域知识应答准确率的评估,对应得到第一评估值集合和第二评估值集合,所述第一评估值集合中至少包括第一通用领域评估值和第一特定领域评估值,所述第二评估值集合中至少包括第二通用领域评估值和第二特定领域评估值;其中,所述第一模型为预先构建的大语言模型,所述第二模型是每次进行训练后得到的大语言模型;基于第一差值与第一阈值的比较结果以及第二差值与第二阈值的比较结果调整所述预设比值或训练时长,得到训练后的大语言模型,其中,所述第一差值为所述第二通用领域评估值与所述第一通用领域评估值之差的绝对值,所述第二差值为所述第二特定领域评估值与所述第一特定领域评估值之差,所述第一阈值为允许第二模型通用知识应答准确率下降的最大值;所述第二阈值为所述第二模型提供特定领域知识应答准确率的目标值。
全文数据:
权利要求:
百度查询: 四川蜀天信息技术有限公司 一种提高大语言模型训练效果的方法、装置及介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。