AI 요약 · 영어에서 AI 번역

Magpie: Alignment Data Synthesis from Scratch by Prompting Aligned LLMs with Nothing

Zhangchen Xu, Fengqing Jiang, Luyao Niu, Yuntian Deng, Radha Poovendran, Yejin Choi, Bill Yuchen Lin

arXiv:2406.08464v2cs.CLcs.AI

TL;DR

고품질 정렬 데이터셋은 비공개인 경우가 많고, 다양한 지시문 데이터를 대규모로 합성하기는 여전히 어렵다. MAGPIE는 정렬된 LLM에 질의 앞부분 템플릿만 입력해 지시문을 생성한 뒤 응답을 요청하여 지시문–응답 쌍을 만든다. 이 데이터는 지도 미세조정과 선호도 최적화에서 기존 공개 데이터셋보다 우수한 성능을 내며, 더 적은 데이터로도 공식 Llama-3-8B-Instruct에 필적하는 성능을 뒷받침한다.

  • 문제

    지시문 튜닝에는 고품질 데이터가 필요하지만, 정렬 데이터셋은 비공개인 경우가 많고 다양한 지시문 데이터를 대규모로 합성하기는 여전히 어렵다.

    출처: §1 · pp. 1–2
  • 방법

    MAGPIE는 질의 앞부분 템플릿만으로 정렬된 LLM에서 지시문을 유도한 뒤, 모델에 해당 지시문에 대한 응답을 생성하도록 요청한다.

    출처: §1 · p. 2, §7 · p. 11
  • 결과

    MAGPIE는 지도 미세조정만으로 기존 공개 지시문 데이터셋보다 우수한 성능을 내며, 선호도 최적화를 결합하면 가장 좋은 결과를 얻는다.

    출처: §1 · p. 3
  • 시사점과 한계

    MAGPIE로 생성한 데이터는 더 적은 데이터로도 공식 Llama-3-8B-Instruct에 필적하거나 이를 능가하는 정렬 성능을 뒷받침한다.

    출처: §4.2 · p. 8

    MAGPIE로 정렬한 모델은 추론 특화 데이터를 추가해도 수학 및 추론 벤치마크에서 공식 모델보다 성능이 낮다.

    출처: §6 · p. 11

Abstract

from arXiv · show

High-quality instruction data is critical for aligning large language models (LLMs). Although some models, such as Llama-3-Instruct, have open weights, their alignment data remain private, which hinders the democratization of AI. High human labor costs and a limited, predefined scope for prompting prevent existing open-source data creation methods from scaling effectively, potentially limiting the diversity and quality of public alignment datasets. Is it possible to synthesize high-quality instruction data at scale by extracting it directly from an aligned LLM? We present a self-synthesis method for generating large-scale alignment data named Magpie. Our key observation is that aligned LLMs like Llama-3-Instruct can generate a user query when we input only the left-side templates up to the position reserved for user messages, thanks to their auto-regressive nature. We use this method to prompt Llama-3-Instruct and generate 4 million instructions along with their corresponding responses. We perform a comprehensive analysis of the extracted data and select 300K high-quality instances. To compare Magpie data with other public instruction datasets, we fine-tune Llama-3-8B-Base with each dataset and evaluate the performance of the fine-tuned models. Our results indicate that in some tasks, models fine-tuned with Magpie perform comparably to the official Llama-3-8B-Instruct, despite the latter being enhanced with 10 million data points through supervised fine-tuning (SFT) and subsequent feedback learning. We also show that using Magpie solely for SFT can surpass the performance of previous public datasets utilized for both SFT and preference optimization, such as direct preference optimization with UltraFeedback. This advantage is evident on alignment benchmarks such as AlpacaEval, ArenaHard, and WildBench.

1 서론

MAGPIE는 시드 질문이나 프롬프트 엔지니어링 없이 질의 시작 전까지의 템플릿만으로 정렬된 LLM에서 지시 데이터를 생성한다. MAGPIE로 정렬한 모델은 AlpacaEval 2에서 지도 미세 조정으로 Llama-3-8B-Instruct를, 선호도 최적화로 GPT-4-Turbo(1106)를 능가한다.

1 서론

  • 비공개 정렬 데이터셋은 개방형 모델 연구를 제약하며, 기존 합성 방법은 프롬프트 엔지니어링과 시드 질문에 의존하고 데이터셋 규모가 커질수록 다양성이 줄어든다.고품질 지시 데이터는 지시 튜닝에 필수적이지만, 사람이 데이터를 만드는 데는 많은 시간과 노동력이 든다 (Liu et al., 2024a).출처: §1 · pp. 1–2
  • MAGPIE는 질의 시작 전까지의 템플릿만으로 정렬된 LLM에 지시 생성을 유도하여 프롬프트 엔지니어링과 시드 질문을 없앤다.자기회귀적 생성으로 고품질의 다양한 사용자 질의를 얻는다. 이 방법은 다중 턴, 선호도 최적화, 특정 도메인 및 다국어 데이터셋으로 확장할 수 있다.출처: §1 · p. 2
  • 사람의 개입이나 상용 LLM API 사용 없이 MAGPIE-Air는 206 GPU 시간, MAGPIE-Pro는 614 GPU 시간으로 생성했다.MAGPIE-Air와 MAGPIE-Pro는 각각 Llama-3-8B-Instruct와 Llama-3-70B-Instruct를 사용한다. 데이터셋 분석은 실무자의 미세 조정 요구에 맞는 데이터 필터링과 선별을 지원한다.출처: §1 · p. 2
  • MAGPIE SFT는 AlpacaEval 2에서 기존 공개 지시 데이터셋과 공식 Llama-3-8B-Instruct 모델을 능가한다.UltraFeedback (Cui et al., 2023)을 활용해 SFT와 DPO (Rafailov et al., 2023)를 결합한 기준 모델도 능가한다. 공식 모델은 SFT와 후속 선호도 최적화에 10백만 개가 넘는 데이터를 사용했다. 평가에는 Arena-Hard 와 WildBench 도 포함되었다.출처: §1 · pp. 2–3
  • MAGPIE로 생성한 선호도 데이터를 사용해 정렬한 Llama-3 모델은 AlpacaEval 2에서 GPT-4-Turbo(1106)를 능가한다.MAGPIE는 DPO와 같은 선호도 최적화 방법과 결합했을 때도 보고된 최고 성능을 달성한다.출처: §1 · p. 3

2 MAGPIE: 정렬 데이터 합성을 위한 확장 가능한 방법

MAGPIE는 정렬된 LLM에 사용자 질의 직전까지의 채팅 템플릿을 입력해 지시문을 생성한 뒤, 이에 대한 응답을 요청하여 지시문-응답 쌍을 자동으로 합성한다. 확장 기능으로 데이터셋 필터링, 다중 턴 대화, 선호도 최적화, 도메인별·다국어 생성을 지원한다.

2.1 MAGPIE 파이프라인

  • MAGPIE는 정렬된 LLM의 사용자 질의 직전까지의 채팅 템플릿에서 지시문을 생성하고, 이를 모델에 다시 입력해 사람의 개입 없이 응답을 생성한다.지시문 생성에는 시드 질문이나 별도의 프롬프트 엔지니어링이 필요하지 않으며, 시퀀스 종료 토큰에서 생성을 멈춘다. 지시문과 응답에 각각 사용자와 어시스턴트 역할을 부여해 쌍으로 묶어 데이터셋을 구성한다.출처: §2.1 · p. 3, §2 · p. 3
  • MAGPIE는 Llama-3, Qwen2 (Yang et al., 2024), Gemma-2 (Team et al., 2024), Phi-3 (Abdin et al., 2024) 등의 가중치 공개 모델 계열을 지원한다.정렬 과정에서 지시문에 대한 손실을 마스킹한 경우에도 고품질 지시문을 생성한다. 저자들은 모델이 지시문 분포에 대한 암묵적 기억을 유지한다는 가설을 제시하며, 이에 대한 규명은 향후 연구 과제로 남긴다.출처: §2.1 · p. 3

2.2 MAGPIE 확장 기능

  • 8개 지표로 원본 MAGPIE 데이터를 맞춤형으로 필터링할 수 있으며, 바로 사용할 수 있는 필터 설정 6종도 제공한다.사용자는 필요에 따라 데이터를 선택할 수 있다. 사전 정의된 필터 설정의 성능은 Appendix F.4에서 논의한다.출처: §2.2 · pp. 3–4
  • MAGPIE-MT는 이전 대화 전체에 사용자 질의 직전까지의 템플릿을 덧붙여 새로운 지시문-응답 쌍을 생성하는 방식으로 후속 대화 턴을 만든다.모델은 간혹 사용자 역할을 잊으며, 특히 8B 모델에서 이런 현상이 나타난다. 시스템 프롬프트로 사용자 역할과 다중 턴 대화 맥락을 재확인한다.출처: §2.2 · p. 4
  • 선호도 데이터 생성에서는 선택한 지시문마다 여러 응답을 샘플링하고, 보상 모델 점수가 가장 높은 응답을 chosen으로, 가장 낮은 응답을 rejected로 표시한다.다양한 과제 범주를 아우르는 소규모 고품질 지시문 부분집합을 선택한 뒤, 온도 T < 1에서 지시문마다 응답 k개를 샘플링한다.출처: §2.2 · p. 4
  • 맞춤형 시스템 프롬프트로 생성할 지시문의 과제 범주와 언어를 제어할 수 있으며, 특화 모델을 활용하는 것도 도메인별·다국어 데이터를 생성하는 방법이다.시스템 프롬프트는 챗봇의 도메인과 예상 질의를 기술한다. 특화된 생성 모델로는 코드용 DeepSeek-Coder-V2 (Zhu et al., 2024)와 수학용 Qwen2-Math-7B-Instruct (Yang et al., 2024)가 있다.출처: §2.2 · p. 4

3 데이터셋 분석

MAGPIE-Pro는 MAGPIE-Air보다 지시문 품질이 높고 폭넓은 주제를 포괄하며, 두 데이터셋 모두 잠재적으로 유해한 데이터가 1% 미만이다. 생성 과정은 완전히 자동화되어 있으며, 1,000개 사례당 추정 클라우드 비용은 MAGPIE-Air가 $0.12, MAGPIE-Pro가 $1.1이다.

3.1 데이터셋 포괄 범위

  • MAGPIE-Pro의 임베딩 투영은 세 합성 데이터 기준선을 모두 포괄해 더 넓은 주제 범위를 시사한다. 빈번한 동사–목적어 패턴에서도 주제의 다양성이 나타난다.기준선은 Alpaca, Evol Instruct (Xu et al., 2023a), UltraChat (Ding et al., 2023)이다. all-mpnet-base-v2 임베딩을 t-SNE (Van der Maaten & Hinton, 2008)로 2차원에 투영해 포괄 범위를 살펴본다.출처: §3.1 · p. 5

3.2 데이터셋 속성

  • MAGPIE-Pro 과제 중 정보 탐색이 절반을 넘으며, 그다음은 창작, 조언 요청, 계획 수립, 수학 순이다.Llama-3-8B-Instruct로 과제를 분류하며, 보고된 분포는 실제 사용자의 요청 양상과 부합한다.출처: §3.2 · p. 5
  • Llama-3-8B-Instruct는 두 데이터셋의 지시문 대부분을 보통 이상으로 평가하며, 전반적인 품질은 MAGPIE-Pro가 MAGPIE-Air보다 높다.지시문 품질은 매우 나쁨부터 매우 우수함까지 5단계 척도로 평가한다.출처: Figure 3 · p. 5, §3.2 · p. 5

3.2 데이터셋 속성 / 3.5 추가 분석

  • 두 데이터셋의 지시문 난도 분포는 유사하나 MAGPIE-Pro에는 더 어려운 사례가 일부 있다. 추가 분석에서는 생성 설정과 주석 모델 선택을 살펴본다.Llama-3-8B-Instruct는 난도를 매우 쉬움부터 매우 어려움까지 평가한다. Appendices D.3 and D.4에서는 설정이 지시문 품질과 난도에 미치는 영향을 살펴보고, 이 속성들을 평가하는 모델을 바꿔 비교한다.출처: Figure 3 · p. 5, §3.2 · p. 5, §3.5 · p. 6

3.2 데이터셋 속성

  • 임베딩 공간의 최근접 이웃 거리를 이용해 반복되는 지시문을 제거한다.all-mpnet-base-v2로 지시문을 임베딩하고, FAISS (Douze et al., 2024)로 최소 이웃 거리를 계산한다. 분석에서는 반복 제거 후 MAGPIE-Air의 거리 분포를 요약한다.출처: §3.2 · p. 6
  • 기반 모델 응답과의 보상 차이로 응답 품질을 평가하며, 차이가 양수이면 데이터셋 응답의 품질이 더 높음을 뜻한다.FsfairX-LLaMA3-RM-v0.1 로 동일한 지시문에 대한 두 응답을 채점하며, 기반 모델 응답은 URIAL (Lin et al., 2023)로 유도한다. 양의 차이는 지시문 튜닝에 도움이 될 가능성을 시사하지만, 제공된 본문에는 그 분포가 보고되지 않는다.출처: §3.2 · p. 6

3.3 안전성 분석

  • Llama-Guard-2 (Team, 2024)를 이용한 분석에 따르면, 잠재적으로 유해한 지시문이나 응답을 포함하는 비율은 두 데이터셋 모두 1% 미만이다.따라서 MAGPIE-Air와 MAGPIE-Pro 모두 대체로 안전한 데이터셋으로 평가된다.출처: §3.3 · p. 6

3.4 비용 분석

  • 완전히 자동화된 파이프라인의 1,000개 사례당 추정 클라우드 비용은 MAGPIE-Air가 $0.12, MAGPIE-Pro가 $1.1이다.NVIDIA A100-SXM4-80GB GPU 네 대에서 MAGPIE-Air 3M개 사례의 지시문과 응답 생성에는 각각 1.55시간과 50시간이, MAGPIE-Pro 1M개 사례에는 각각 3.5시간과 150시간이 걸렸다. 이 파이프라인에는 사람의 개입도 고성능 상용 모델 API 접근도 필요하지 않다.출처: §3.4 · p. 6

4 성능 분석

MAGPIE로 생성한 데이터로 학습한 Llama-3 모델은 공개 정렬 데이터 기반 모델들을 능가하며, SFT+DPO를 적용하면 최대 400K개의 정렬 예제만으로 공식 Llama-3-8B-Instruct도 능가한다. 성능 향상은 Qwen 기반 모델에서도 나타나며, 추론 취약점은 이를 겨냥한 보충 데이터로 개선한다.

4.1 실험 설정

  • 대화 300K개 규모의 원본 및 필터링된 MAGPIE-Air/Pro 데이터셋으로 SFT 실험을 수행하고, DPO에는 별도의 대화 100K개 규모 데이터셋을 사용한다.Air와 Pro는 각각 Llama-3-8B-Instruct와 Llama-3-70B-Instruct를 사용하며, DPO 데이터 생성에는 k = 5와 T = 0.8을 사용한다. 평가는 GPT가 판정하는 AlpacaEval 2 와 Arena-Hard 를 사용하며, 둘 다 WR을 보고하고 길이 보정 지표인 LC는 AlpacaEval 2에서만 보고한다.출처: §4.1 · p. 7

4.2 실험 결과

  • 400K개 이하의 정렬 예제로 학습한 SFT+DPO 모델은 AlpacaEval 2와 Arena-Hard에서 Llama-3-8B-Instruct를, AlpacaEval 2에서 GPT-4-Turbo(1106)을 능가한다.공식 정렬에는 10M개가 넘는 샘플이 사용된다. SFT만 적용한 MAGPIE 모델도 Llama-3-8B-Instruct를 상대로 평가하면 AlpacaEval 2에서 LC가 50%를 넘는다.출처: Table 1 · p. 8, §4.2 · pp. 8–9
  • MAGPIE SFT 모델은 AlpacaEval 2의 LC와 WR에서 비교 대상인 모든 SFT 기준 모델을 능가하고, Arena-Hard에서도 유사한 성능 향상을 보이며, 선호도 최적화를 적용한 기준 모델도 능가한다.이 비교는 MAGPIE의 성능 향상에 선호도 최적화가 필수적이지 않음을 보여준다.출처: Table 1 · p. 8, §4.2 · p. 8
  • MAGPIE-Pro는 WildBench 과제 범주 전반에서 기준 데이터셋보다 일관되게 높은 성능을 보인다.WildBench 는 실제 사람–LLM 대화 기록에서 선정한 1024개 과제로 구성된다.출처: Figure 5 · p. 8, §4.2 · p. 8
  • MAGPIE로 미세 조정한 Qwen2-1.5B, Qwen1.5-4B, Qwen1.5-7B는 각각 공식 정렬 모델을 능가하며, 성능 향상이 Llama-3에 국한되지 않음을 보여준다.Llama-3.1-Minitron-4B-Width-Base (Sreenivas et al., 2024)와 Llama-3.1-8B-Instruct (Dubey et al., 2024)를 사용한 SFT+DPO로 MagpieLM도 구축한다. MagpieLM은 파라미터 수가 십억 개 단위로 10 미만인 주요 오픈 소스 지시 수행 모델 중 가장 높은 순위를 기록한다.출처: Table 2 · p. 9, §4.2 · p. 9
  • 수학·코드·추론 보충 지시문 150K개를 MAGPIE-Pro-300K-Filtered와 혼합하면 MAGPIE의 추론 취약점이 개선되며, SFT 모델이 상위 3개 체크포인트 안에 든다.보충 데이터를 추가하지 않은 MAGPIE-Air/Pro도 Open LLM Leaderboard 과제들 과 zero-shot MMLU-Redux (Gema et al., 2024)에서 공식 지시 튜닝 모델 및 기준 모델과 비슷한 성능을 보인다. 혼합 데이터로 학습한 모델은 OpenHermes 2.5 (대화 1M개)와 Llama-3-8B-Instruct (대화 >10M개)보다 성능이 약간 낮다.출처: §4.2 · p. 9

5 관련 연구

Magpie는 시드 질문이나 프롬프트 엔지니어링 없이 프롬프트 템플릿으로 합성 정렬 데이터를 생성한다. 비공개 학습 데이터 추출과 달리, 최소한의 인력으로 공개 정렬 데이터셋을 구축하는 것이 목표다.

LLM 정렬

정렬 데이터셋 구축

  • Magpie는 합성 정렬 데이터 생성 기법으로, 시드 질문이나 프롬프트 엔지니어링 없이 프롬프트 템플릿을 활용한다.이는 사람이 주석을 단 시드 지시문을 few-shot 프롬프팅으로 확장하는 접근법과 구별된다.출처: §5 · p. 10
  • 시드 기반 합성은 시드 질문과 유사한 지시문을 생성할 위험이 있으며(Li et al., 2024a), 사람의 상호작용 데이터를 수집하는 작업은 시간과 노동력이 많이 든다.수작업으로 작성한 지시문에도 유해한 내용이 포함될 수 있다. 지식 기반 합성은 더 폭넓은 범위를 포괄하고자 한다(Ding et al., 2023; Li et al., 2024a).출처: §5 · p. 10
  • 기존 데이터셋을 변환해 정렬 데이터를 얻을 수 있지만, 제한적인 NLP 과제 다양성이 실제 환경에서의 일반화를 저해할 수 있다(Li et al., 2024a).이러한 구축 방식의 사례로는 Wang et al. (2022), Sanh et al. (2022), Gandhi et al. (2024)가 있다.출처: §5 · p. 10
  • 혼합 데이터셋은 기존 지시 데이터를 결합하거나 선별해 포괄 범위(Ivison et al., 2023)나 성능(Liu et al., 2024b)을 개선한다.추론과 수학에 초점을 둔 데이터 구축 방법(Yue et al., 2023; 2024)도 Magpie와 결합할 수 있다.출처: §5 · p. 10

학습 데이터 추출

6 한계, 논의 및 윤리적 고려사항

MAGPIE로 정렬한 모델은 지시 이행 성능이 우수하지만 공식 모델에 비해 수학 및 추론 성능에는 여전히 격차가 있다. 생성 데이터에 유해한 내용이 포함될 수 있으나, 필터링으로 이를 식별하고 제거해 안전 위험을 완화할 수 있다.

한계 및 논의

  • MAGPIE로 정렬한 모델은 Llama-3-8B-Instruct와 비교해 지시 이행 성능은 우수하지만 수학 및 추론 성능은 떨어진다.추론 성능 향상을 위한 특화 데이터셋으로도 공식 모델과의 성능 격차를 해소하지 못하며, 추론 능력 개선은 향후 연구 과제로 남는다.출처: §6 · p. 11

사회적 영향 및 잠재적 유해 결과

  • 데이터셋의 1% 미만에 유해한 지시나 응답이 포함되어 있으며, 이를 그대로 지시 튜닝에 사용하면 안전하지 않은 행동을 유발할 수 있다.이 비율은 저자들의 실증 평가에서 얻은 결과다.출처: §6 · p. 11
  • Appendix C의 필터링 기법으로 유해한 데이터 사례를 식별하고 제거해 MAGPIE로 생성한 지시 데이터의 위험을 완화할 수 있다.이 방법이 명시한 목표는 지시 이행과 인간 가치에 대한 정렬을 개선하기 위해 지시 데이터를 대규모로 합성하는 것이다.출처: §6 · p. 11

7 결론

MAGPIE는 역할만 지정한 프롬프트로 인스트럭션–응답 쌍을 합성하고, 이를 필터링해 인스트럭션 튜닝에 사용한다. 선별한 데이터로 미세 조정한 Llama-3-8B는 평가한 모든 베이스라인과 공식 Llama-3-8B-Instruct 모델보다 우수한 성능을 보였다.

7 결론

  • 선별한 MAGPIE 데이터로 미세 조정한 Llama-3-8B는 평가한 모든 베이스라인을 능가했으며, 공식 Llama-3-8B-Instruct 모델보다도 우수한 성능을 보였다.공식 모델은 10M개가 넘는 데이터로 인스트럭션 튜닝과 선호도 최적화를 거쳤다.출처: §7 · p. 11
  • MAGPIE는 가중치가 공개된 LLM의 인스트럭션 템플릿에 인스트럭션 제공자 역할만 지정해 인스트럭션을 자기회귀적으로 생성한 뒤, 이에 대응하는 응답을 요청한다.생성된 인스트럭션–응답 쌍이 인스트럭션 데이터셋을 구성한다.출처: §7 · p. 11
  • MAGPIE는 Llama-3-8B-Instruct로 합성 데이터에 라벨을 부여하고, 필터링 기법으로 인스트럭션 튜닝에 효과적인 예제를 선별한다.선별한 예제는 Llama-3-8B 기본 모델을 미세 조정하는 데 사용한다.출처: §7 · p. 11

A MAGPIE가 생성한 지시문 데이터셋과 다른 지시문 데이터셋의 통계 비교.

MAGPIE 데이터셋 계열은 최첨단 오픈소스 모델로 생성한 11.4백만 쌍이 넘는 지시문–응답을 포함한다. 사람이 작성한 질문이나 복잡한 다단계 파이프라인에 의존하지 않으며, 여러 모델 계열을 아우른다.

지원 모델 범위

데이터셋 규모

  • MAGPIE 데이터셋 계열은 11.4백만 개가 넘는 다양하고 품질 높은 지시문과 그에 대응하는 응답으로 구성된다.지시문–응답 쌍은 최첨단 오픈소스 모델로 생성된다.출처: A STATISTICS OF INSTRUCTION DATASETS… · p. 18

데이터셋 비교

B MAGPIELM … D.2 추가 안전성 분석

MAGPIELM은 여러 벤치마크에서 유사한 규모의 베이스라인을 능가하며, 추가 분석에서는 MAGPIE의 필터링 옵션, 주제 포괄 범위, 길이 통계, 안전성을 살펴본다. MAGPIE-Air와 MAGPIE-Pro 모두 잠재적으로 유해한 질의의 비율이 1% 미만이다.

B MAGPIELM

  • MAGPIELM-4B-Chat과 MAGPIELM-8B-Chat은 여러 벤치마크에서 유사한 규모의 베이스라인을 크게 능가한다.벤치마크에는 Alpaca Eval 2, Arena Hard, Wildbench 가 포함된다.출처: Figure 6 · p. 18, B MAGPIELM · p. 19
  • MAGPIE에서 SFT용 지시문 550K개와 DPO용 지시문 200K개를 선별하고, Gemma-2-9b-it (Team et al., 2024)으로 각 지시문에 대한 응답을 생성한다.선별한 고품질 지시문은 다양한 범주를 포괄한다.출처: B MAGPIELM · p. 19

C 필터 설정

  • 맞춤 설정 가능한 필터는 입력 길이, 출력 길이, 작업 범주, 입력 품질, 입력 난이도, 최소 이웃 거리, 보상, 보상 차이를 사용한다.이웃 거리는 중복 사례를 제거하는 데 도움이 되며, 보상으로는 반복이나 거절 같은 저품질 응답을 제외할 수 있다. 제공된 설정은 출력 길이 필터링을 마지막에 적용해 가장 긴 응답 k개를 남기며, 경험적으로 정한 임계값 τ1 = −12와 τ2 = 0을 사용한다.출처: C FILTER SETUPS · p. 19, Table 5 · p. 19

D 추가 데이터셋 분석

  • 추가 데이터셋 통계는 MAGPIE-Air와 MAGPIE-Pro의 지시문과 응답 길이를 시각화한다.Figure 7은 이러한 길이 통계를 제시하여 Section 3의 데이터셋 분석을 보완한다.출처: D MORE DATASET ANALYSIS · p. 19, Figure 7 · p. 20

D.1 데이터셋 포괄 범위와 속성 추가 분석.

  • MAGPIE-Pro의 t-SNE 도표는 Alpaca, Evol Instruct, UltraChat이 차지하는 영역을 포괄하며, 더 넓은 주제 포괄 범위를 시사한다.각 데이터셋의 시각화에는 무작위로 추출한 지시문 10,000개를 사용한다.출처: §D.1 · p. 19, Figure 8 · p. 20
  • MAGPIE-Pro와 MAGPIE-Air의 작업 분포는 대체로 유사하지만, MAGPIE-Pro에는 창작 글쓰기가 더 많다. MAGPIE-Air의 루트 동사/목적어 분석에서도 주제의 다양성이 드러난다.작업 범주는 Llama-3-Instruct로 분류했다.출처: §D.1 · p. 20, Figure 9 · p. 20

D.2 추가 안전성 분석

  • MAGPIE-Air와 MAGPIE-Pro에서 잠재적으로 유해한 질의가 포함된 사례는 1% 미만이며, 안전하지 않은 응답은 대부분 전문적인 조언과 관련된다.안전성 범주는 Llama-Guard-2 (Team, 2024)로 분류했다. 전문적인 조언에는 금융·의료·법률 조언과 위험한 활동이나 물건이 안전하다는 제안이 포함된다.출처: §D.2 · pp. 20–21

D.3 생성 설정에 대한 ablation 분석 · D.4 평가 모델의 영향

MAGPIE의 디코딩 설정에는 지시문 품질과 난도·다양성 간 상충 관계가 있으며, 시스템 프롬프트를 추가하면 대체로 품질과 난도가 낮아진다. MAGPIE-Air는 Llama-3 계열 외부의 모델로 평가해도 높은 품질과 난도를 유지한다.

D.3 생성 설정에 대한 ablation 분석

  • 온도와 top-p 값을 높이면 지시문 품질이 소폭 낮아질 수 있지만, 난도가 높아지고 다양성이 크게 향상된다.저자들은 품질, 난도, 다양성에 대한 사용자 요구에 맞춰 이 매개변수를 선택할 것을 권장한다.출처: Figure 11 · p. 21, §D.3 · p. 22
  • MAGPIE의 Step 1 지시문 생성에서 온도 값 3개—1, 1.1, 1.2—와 top-p 값 3개—1, 0.995, 0.99—를 시험했다.출처: §D.3 · p. 21
  • 각 디코딩 설정은 평균 품질 점수, 평균 난도 점수, 평균 최소 이웃 거리의 세 지표로 평가했다.품질 평점은 1(‘매우 나쁨’)부터 5(‘매우 좋음’), 난도 평점은 1(‘매우 쉬움’)부터 5(‘매우 어려움’)까지다. 다양성은 동일한 매개변수로 생성한 지시문 전체에 대해 Section 3에 정의된 최소 이웃 거리를 평균한 값이다.출처: §D.3 · p. 22
  • 지시문 생성 시 시스템 프롬프트를 추가하면 대체로 품질이 낮아지고 더 쉬운 지시문이 생성되어, 기본 설정에서는 이를 생략했다.Llama-3에는 공식 시스템 프롬프트가 없어 실험에서는 Vicuna의 기본 프롬프트를 사용했다.출처: Figure 12 · p. 22, §D.3 · p. 22

D.4 평가 모델의 영향

  • Llama-3 계열에 속하지 않는 Qwen-2-7B-Instruct가 MAGPIE-Air의 품질과 난도를 독립적으로 평가했다.이 실험은 LLM이 자신의 응답을 선호할 수 있다는 우려를 다뤘다(Deutsch et al., 2022).출처: §D.4 · p. 22
  • Qwen-2-7B-Instruct는 MAGPIE-Air의 품질과 난도를 Llama-3-8B-Instruct보다 높게 평가했으며, 이는 평가 모델이 달라져도 결과가 견고함을 시사한다.이 대체 평가 모델에서도 데이터셋은 높은 품질과 난도를 유지했다.출처: §D.4 · p. 22

E 상세 실험 설정 … F.4 필터 설계 절제 분석

예제 수를 100K개로 맞춘 비교에서 MAGPIE와 Self-Instruct (Wang et al., 2023) 사이에 상당한 성능 격차가 나타났다. Self-Instruct는 시드로 정해진 패턴 때문에 지시문의 다양성이 제한된다. 다중 턴 데이터, 데이터 규모 확대, 필터링, 더 강력한 생성 모델은 성능을 개선하지만, 모든 벤치마크에서 가장 좋은 성능을 내는 필터는 없다.

E 상세 실험 설정

  • 실험 분석에서는 지시문 품질·난이도 평가에서의 평가자 효과와, 생성된 지시문의 품질·난이도·다양성에 대한 디코딩 효과를 살펴본다.Figure 13은 평가자들을 비교하지만, 제공된 캡션에는 구체적인 결과가 없다.출처: Figure 13 · p. 22, §E.1 · p. 22

E.1 MAGPIE-AIR와 MAGPIE-PRO 생성을 위한 실험 설정

  • MAGPIE-Air와 MAGPIE-Pro는 지시문 생성에 다양한 디코딩 매개변수를, 응답 생성에 greedy decoding을 사용한다.지시문 디코딩은 품질·난이도·다양성의 균형을 맞춘다. 응답에 greedy decoding을 쓰는 것은 확률이 가장 높은 단어가 학습 데이터에서 유래했을 가능성이 더 높다는 직관에 따른다.출처: §E.1 · p. 22

E.2 지시 조정 및 선호도 조정을 위한 실험 설정

  • 지도 미세조정에는 Axolotl, 선호도 조정에는 Alignment Handbook, 벤치마크 평가에는 greedy decoding을 사용한다.AlpacaEval 2 에서는 반복을 줄이기 위해 RP = 1.2도 사용한다. Arena-Hard 와 WildBench 는 기본 설정을 유지한다.출처: §E.2 · p. 23

F.1 MAGPIE-MT의 성능

  • MAGPIE-Air-MT와 MAGPIE-Pro-MT는 각각의 단일 턴 모델보다 성능이 높으며, 특히 Arena-Hard에서 개선이 두드러진다.비교 대상 모델은 모두 Llama-8B 기반 모델에 지시 조정을 적용했다.출처: Table 10 · p. 24, §F.1 · p. 24

F.2 LLAMA-3-8B-INSTRUCT를 사용한 MAGPIE와 SELF-INSTRUCT 비교

  • Llama-3-8B-Instruct로 생성한 예제 100K개 규모의 데이터셋 비교에서 MAGPIE와 Self-Instruct (Wang et al., 2023) 사이에 상당한 성능 격차가 나타났다.비교에는 MAGPIE-Air의 첫 100K개 예제를 사용한다. Self-Instruct의 지시문은 시드로 정해진 패턴을 따르는 반면, MAGPIE는 시드 질문 없이 다양하고 품질 높은 지시문을 생성한다.출처: Table 11 · p. 24, §F.2 · pp. 24–25

F.3 데이터 양과 품질에 대한 절제 분석

  • MAGPIE-Pro-300K-Filtered는 크기가 같거나 더 큰 원본 데이터셋으로 학습한 모델보다 성능이 높다. 데이터셋 규모가 커질수록 성능이 향상되며, MAGPIE-Pro는 일관되게 MAGPIE-Air보다 성능이 높다.저자들은 MAGPIE-Pro의 우위가 더 강력한 생성 모델인 Llama-3-70B-Instruct에서 비롯된다고 본다.출처: Table 12 · p. 25, §F.3 · p. 25

F.4 필터 설계 절제 분석

  • MAGPIE-Pro의 필터링 전략은 벤치마크에 따라 서로 다른 전략이 최고 성능을 보이며, 모든 벤치마크에서 일관되게 최고 성능을 내는 단일 필터는 없다.지도 미세조정 성능을 높이기 위한 지시 데이터 선별은 여전히 미해결 연구 과제다.출처: Table 13 · p. 25, §F.4 · p. 25

F.5 응답 생성 모델 절제 분석 … H MAGPIE 예시

MAGPIE는 응답 생성 모델을 바꿔도 베이스라인 대비 우위를 유지한다. 신뢰성 평가에서는 윤리성, 개인정보 보호, 강건성에서 Llama-3-8B-Instruct를 앞서지만 안전성과 공정성에서는 뒤처진다. 템플릿과 예시는 다중 턴 생성, 과제 제어, 지시문 평가, 도메인별·다국어 출력을 보여준다.

F.5 응답 생성 모델 절제 분석

  • Qwen-2-7B-Instruct (Yang et al., 2024)를 응답 생성 모델로 사용하면 성능이 소폭 하락하지만, GPT-4 응답을 사용하는 베이스라인을 포함해 모든 베이스라인을 능가한다.절제 분석에는 MAGPIE-Air-300K-Filtered를 사용한다. 저자들은 이 결과를 응답 생성 모델 선택에 대한 의존도가 낮고 지시문의 품질과 다양성이 높다는 근거로 해석한다.출처: §F.5 · pp. 25–26, Table 14 · p. 26

F.6 MAGPIE로 정렬한 모델의 신뢰성

  • MAGPIE-Pro-300K-Filtered는 TrustLLM의 윤리성, 개인정보 보호, 강건성 평가에서 Llama-3-8B-Instruct를 능가하지만, 안전성과 공정성에서는 소폭 뒤처진다.MAGPIE는 학습 샘플 300K개를, 공식 지시 튜닝 모델은 10M개 넘게 사용했으며, TrustLLM (Huang et al., 2024)으로 평가한다.출처: Table 15 · p. 26, §F.6 · p. 26

G.1 MAGPIE 확장을 위한 프롬프트 템플릿

  • MAGPIE-MT 생성 템플릿에는 첫 턴의 지시문과 응답을 넣는 자리표시자가 포함되며, Llama-3-8B-Instruct를 사용해 이를 예시한다.Figure 14는 이 다중 턴 생성 프롬프트를 제시한다.출처: §G.1 · p. 26, Figure 14 · p. 27
  • 도메인별 시스템 프롬프트는 Llama-3-8B-Instruct가 수학, 코딩, 번역 및 다국어 지시문을 생성하도록 유도한다.System Prompt 자리표시자를 적절한 도메인별 프롬프트로 대체하면 다른 지시 과제도 대상으로 삼을 수 있다.출처: Figure 15 · p. 27

G.2 평가용 프롬프트 템플릿

  • 평가 프롬프트 템플릿은 평가할 지시문을 입력 자리표시자에 넣어 지시문의 과제 범주, 품질, 난도를 평가한다.Figures 16, 17, and 18은 각각의 템플릿을 제시한다.출처: §G.2 · p. 28, Figure 16 · p. 28, Figure 17 · p. 29

H MAGPIE 예시

  • MAGPIE 예시는 일상적 관찰과 상호작용형 게임부터 도메인별·다국어 지시문까지 아우른다.일반 예시는 Llama-3-70B-Instruct로 생성한다. 전문 분야 예시에는 DeepSeek-Coder-V2 (Zhu et al., 2024)와 Qwen2-Math-7B-Instruct (Yang et al., 2024)를, 다국어 예시에는 Qwen2-72B-Instruct를 사용한다.출처: H MAGPIE EXAMPLES · pp. 30–31
Loading 2406.08464v2…