Meta 发布 Llama 3.1 405B，用于高级合成数据生成

Meta 宣布发布 Llama 3.1 405B，这是他们迄今为止最强大的开放大型语言模型（LLM）。根据 NVIDIA 技术博客，这款模型旨在增强合成数据生成，这是在金融、零售、电信和医疗等各个行业中微调基础 LLM 的关键元素。[来源]

利用 LLM 生成的合成数据进行生成式 AI

随着大型语言模型的出现，生成合成数据的动机和技术已显著提升。企业正在利用 Llama 3.1 405B 对基础 LLM 进行微调，以特定的用例改进，如提高金融风险评估、优化零售供应链、增强电信客户服务以及提升医疗患者护理。

利用 LLM 生成的合成数据来改进语言模型

生成用于微调模型的合成数据有两种主要方法：知识蒸馏和自我改进。知识蒸馏将较大模型的能力转化为较小模型，而自我改进使用同一模型批判性地审视自己的推理。两种方法都可以利用 Llama 3.1 405B 改进较小的 LLM。

训练一个 LLM 包括三个步骤：预训练、微调和对齐。预训练使用大量信息语料库教导模型语言的总体结构。然后，微调调整模型以遵循特定指令，例如改进逻辑推理或代码生成。最后，对齐确保 LLM 的回应在风格和语气上符合用户期望。

利用 LLM 生成的合成数据改进其他模型和系统

合成数据的应用超越了 LLM，扩展到相邻模型和 LLM 驱动的管道。例如，检索增强生成（RAG）使用嵌入模型检索相关信息，并使用 LLM 生成答案。LLM 可以用来解析文档并合成数据，以评估和微调嵌入模型。

用合成数据评估 RAG

为了说明合成数据的使用，考虑一个生成用于检索评估的数据管道。这涉及基于不同用户角色生成多样化的问题，并对这些问题进行筛选以确保相关性和多样性。最后，这些问题会重写以匹配角色的写作风格。

例如，金融分析师可能对公司合并中的财务表现感兴趣，而法律专家可能会关注监管审查。通过生成这些视角量身定制的问题，合成数据可以有效评估检索管道。

要点

合成数据生成对于企业开发特定领域的生成式 AI 应用至关重要。Llama 3.1 405B 模型与 NVIDIA Nemotron-4 340B 奖励模型配对，促进高质量合成数据的创建，从而开发准确的定制模型。

RAG 管道对于基于最新信息生成扎实的响应至关重要。所描述的合成数据生成工作流程有助于评估这些管道，确保其准确性和有效性。