位置插值训练数据相关咨询

[KyrieXu11]

提交前必须检查以下项目

• 请确保使用的是仓库最新代码（git pull），一些问题已被解决和修复。
• 我已阅读项目文档和FAQ章节并且已在Issue中对问题进行了搜索，没有找到相似问题和解决方案。
• 第三方插件问题：例如llama.cpp、LangChain、text-generation-webui等，同时建议到对应的项目中查找解决方案。

问题类型

其他问题

基础模型

Others

操作系统

Linux

详细描述问题

各位大佬好，因为在discussion区提问没有得到回复，所以在issue区也提一个，请各位大佬见谅。

我这边有个模型现在有8k的上下文长度，如果我想扩展到16k的长度，已经使用ntk直接推理测试过，但是想用线性插值训练一下模型测试看看，线性插值的代码已经实现。

所以想请教一下下面的几个问题：

1. 添加位置插值之后，训练的方式是sft还是增量预训练？
2. 添加位置插值之后，训练的语料长度一般为多少更合适？如现有模型是8k的话，目标是将模型的context length训练到16k，训练语料长度是否16k？
3. 使用位置插值训练，参考PI这篇论文的说法，在千步级别的steps即可达到很好的效果，所以想要学习一下大佬的经验，Chinese-LLaMA-Alpaca的位置插值训练的时候，训练了多少个steps？
4. 训练的数据如果是开源的话，请问能给个地址吗？

依赖情况（代码类问题务必提供）

# 请在此处粘贴依赖情况（请粘贴在本代码块里）

运行日志或截图

# 请在此处粘贴运行日志（请粘贴在本代码块里）

[ymcui]

1. 是增量预训练还是SFT，取决于你的基模型是什么类型。
2. 原则上，你扩到多少长度就准备多少长度的数据。
3. 不同模型之间没有参考性，建议你自行设置valid set观察PPL或者在长文本任务上观察指标变化。
4. 暂不开源。

[KyrieXu11]

1. 是增量预训练还是SFT，取决于你的基模型是什么类型。
2. 原则上，你扩到多少长度就准备多少长度的数据。
3. 不同模型之间没有参考性，建议你自行设置valid set观察PPL或者在长文本任务上观察指标变化。
4. 暂不开源。

好的，谢谢大佬解答。

请允许我再问一个小白问题：
如果我的基座模型是base模型，就应该使用增量预训练？
如果拿来做对话或者其他指令任务，就在这个增量后的base模型基础上做sft？

[ymcui]

1. 如果我的基座模型是base模型，就应该使用增量预训练？

是的。如果是非chat模型，直接使用无标注的语料做增量CLM训练就可以了。

2. 如果拿来做对话或者其他指令任务，就在这个增量后的base模型基础上做sft？

是的。但是也要注意SFT阶段可能会丢失一部分长距离信息，主要看你的SFT数据的长度。所以最理想的情况是预训练阶段和SFT阶段都用足够长的文本训练。

[KyrieXu11]

1. 如果我的基座模型是base模型，就应该使用增量预训练？

是的。如果是非chat模型，直接使用无标注的语料做增量CLM训练就可以了。

2. 如果拿来做对话或者其他指令任务，就在这个增量后的base模型基础上做sft？

是的。但是也要注意SFT阶段可能会丢失一部分长距离信息，主要看你的SFT数据的长度。所以最理想的情况是预训练阶段和SFT阶段都用足够长的文本训练。

好的，感谢大佬耐心解答，祝大佬生活愉快！

[github-actions]

This issue has been automatically marked as stale because it has not had recent activity. It will be closed if no further activity occurs. Thank you for your consideration.