网站首页作用,做网站需要数据库吗,寿光专业做网站,购买淘宝店铺论文地址#xff1a;https://arxiv.org/pdf/2408.15545 引言
科学文献的理解对于提取目标信息和获取洞察至关重要#xff0c;这显著推动了科学发现。尽管大语言模型#xff08;LLMs#xff09;在自然语言处理方面取得了显著成功#xff0c;但在科学文献理解方面仍面临挑战… 论文地址https://arxiv.org/pdf/2408.15545 引言
科学文献的理解对于提取目标信息和获取洞察至关重要这显著推动了科学发现。尽管大语言模型LLMs在自然语言处理方面取得了显著成功但在科学文献理解方面仍面临挑战主要由于缺乏科学知识和对特定科学任务的不熟悉。为了开发专门用于科学文献理解的LLM我们提出了一种混合策略结合持续预训练CPT和监督微调SFT以同时注入科学领域知识和增强特定任务的指令遵循能力。
1. 持续预训练CPT阶段
1.1 格式与语法校正
在从PDF文档中提取文本时常常会引入许多格式和语法错误。为了解决这一问题我们使用Llama3-8B-Instruct模型来校正这些错误。以下是一个校正前后的示例
校正前的文本
Highly p e n e t r a t i n g radiation, such as $\gamma$ -rays or fast electorns, deposits ener gy
throughout the solid t a r g e t material. Gas production occurs w i t h i n the solid phase and must d i f f u s e to the surface to be observed.校正后的文本
Highly penetrating radiation, such as $\gamma$ -rays or fast electrons, deposits energy throughout the solid target material. Gas production occurs within the solid phase and must diffuse to the surface to be observed.1.2 CPT质量过滤
为了确保训练语料的高质量我们使用Llama3-70B-Instruct模型对50k个样本进行评分并根据评分结果过滤掉质量较低的25%数据。以下是评分分布图 2. 监督微调SFT阶段
2.1 指令生成
为了生成多样化的科学指令我们设计了一个三步流程
领域关键词概率表收集高影响力论文并统计词频生成领域关键词概率表。科学任务列表编译一个包含各种科学任务的任务列表。指令生成根据关键词和任务描述生成科学上下文和相应的问答对。
以下是一个生成表格提取任务的示例
生成表格提取任务的提示
I need synthetic training data for training a machine learning model that extracts tables from text correctly. The data should be formatted in JSON, with each entry containing ”text” and ”answer” attributes. You should generate a paragraph that includes the keywords: $\{\{\mathrm{keywords}\}\}$ .
The ”text” part must contain enough information for the table to be extracted! In ”text” part, You must you include a table description in latex format.生成的示例
{
”text”: ”In recent studies regarding material science, the crmatrix has shown significant importance in understanding fracture behaviors. The following Table 1 presents a schematic illustration of the enthalpy changes observed during the different fracture phases.”,
”answer”: ”Material,Initial Enthalpy (kJ/mol),Final Enthalpy (kJ/mol),Fracture Phase
Material A,25.4,47.8,Brittle
Material B,22.3,45.0,Ductile
Material C,28.9,50.2,Semi-brittle”
}2.2 指令质量控制
为了确保生成指令的质量我们采用启发式去重和基于LLM的过滤方法。以下是评估示例 3. 实验结果
3.1 基准模型性能
SciLitLLM在科学文献理解任务上表现优异7B和14B版本的模型在SciAssess和SciRIFF基准测试中均取得了领先的成绩。具体来说SciLitLLM-7B在SciAssess上比第二好的模型高出4.0%在SciRIFF上高出10.1%。
3.2 消融研究
我们进行了消融实验来验证CPT阶段、SFT数据配方和指令质量过滤的有效性。结果表明CPT阶段对提高科学文献理解能力至关重要而SFT阶段使用SciLitIns数据集也能显著提升模型性能。 4. 结论与未来工作
本文介绍了SciLitLLM一个专门用于科学文献理解的模型。通过CPT和SFT的结合我们成功地提升了模型在科学领域的知识基础和指令遵循能力。未来的工作将致力于扩展训练数据的多样性和质量并探索更高效的方法进行领域特定知识注入和高品质指令生成。
参考文献
Cai, H., Cai, X., Chang, J., Li, S., Yao, L., Wang, C., … Ke, G. (2024). Sciassess: Benchmarking LLM proficiency in scientific literature analysis. arXiv preprint arXiv:2403.01976.Wadden, D., Shi, K., Morrison, J., Naik, A., Singh, S., Barzilay, N., … Cohan, A. (2024). Sciriff: A resource to enhance language model instruction-following over scientific literature. arXiv preprint arXiv:2406.07835. 希望这篇文章对你有所帮助如果你有任何问题或建议欢迎在评论区留言。
