在我们为面向客户的聊天应用制作大语言模型 (LLM)时，预训练模型往往是很好的起点，但随着时间的推移，您可能希望去控制该模型聊天的整体行为和给客户带去的“感觉”，而不仅仅由基本模型所能提供。对此，我们虽然可以通过提示工程（prompt engineering）来实现，但是它会严重限制聊天输入的长度，而且每次推理调用的成本都会增加。目前，另一种更有效的方法是在数据集上对模型进行微调，并在模型中灌输新的行为模式。
微调Mistral 7B模型
下面，我们将引导您微调Mistral7B的开源LLM。为此，我们会调用MindsDB与模型进行交互，并使用Anyscale Endpoints对其进行托管。如果您需要微调其他模型的话，其过程将十分类似。
什么是MindsDB？
作为一个面向开发人员的开源人工智能（AI）平台，MindsDB可以将AI/ML模型与实时数据相连接。由其提供的工具和自动化功能，可轻松地构建和维护个性化AI方案。MindsDB提供了数百种与各种数据源、API和ML框架的集成。借助该平台，您可以将最先进的AI模型（如OpenAI、LLama2、Cohere、Mistral等）与数百种数据源（包括企业级数据库，以及PostgreSQL、MongoDB、Snowflake、Slack、Shopify等第三方应用）整合在一起。
什么是Anyscale？
Anyscale是支持ChatGPT等世界顶尖AI产品的Ray框架的创建者。由其提供的Anyscale Endpoints可以轻松地以快度、低成本的方式，优化访问Mistral 7B等开源LLM。
微调模型
下面，我们会把微调后的模型与其原始版本进行比较，检查其输出行为上的差异，并解释其背后原因。
步骤 1：准备好先决条件
- 请在您的机器上本地部署MindsDB。
- 请确保安装了Anyscale Endpoints集成。
- 此外，您还需要注册Anyscale Endpoints。
步骤 2：加载数据
我们将使用由链接--https://huggingface.co/datasets/b-mc2/sql-create-context?ref=hackernoon.com提供的数据集。其中包含了“上下文-问题-答案”三元组。它们将针对SQL表的原始查询，与用户提出的自然语言问题，以及返回该用户所需信息的基本答案联系起来。
尽管该数据集包含了7万多个示例，但是我们在此只考虑前300个。我们会将数据重新排列成“长”格式，并将“对话/聊天”垂直堆叠成行。也就是说，每一行都有一条“内容”信息和一个“角色”。此处的角色可以是“系统”、“助手”（我们的模型）或“用户”。
那么在每个“系统”行的内容中，我们都定义了如下内容：
- 其任务是将问题转化为SQL查询
- 相关的SQL表会创建参考语句
据此，输入以下内容即可轻松地检查到相关数据：
SELECT * FROM example_db.demo_data.anyscale_endpoints_ft_sample_data LIMIT 10;下图展示的是从Postgres数据库示例中检索到的一个样本：
请注意，助手的回答就是询问，没有任何附带解释。这就是我们希望观察到的原始基础模型的主要效果。下面，让我们来设置一下。
步骤 3：设置基本模型
1.在MindsDB项目中创建一个Anyscale集成的实例：
CREATE ML_ENGINE anyscale_endpoints FROM anyscale_endpoints;2.用它创建一个初始的Mistral 7B模型（这里使用的具体模型名称是mistralai/Mistral-7B-Instruct-v0.1）：
CREATE MODEL ft_sql
PREDICT answer
USING
engine = 'anyscale_endpoints',
model_name = 'mistralai/Mistral-7B-Instruct-v0.1',
prompt_template = '{{content}}',
api_key = 'your-api-key-here';3.您可以通过如下语句，查询模型并从中得到答案：
SELECT answer FROM ft_sql WHERE content = 'hi!';4.让我们以如下方式提问，从原始数据集的诸多示例中获取一个：
SELECT answer FROM ft_sql WHERE content = 'Hi! I have created a SQL table with this command: “CREATE TABLE employees (country VARCHAR)”. How should I query my database to know how many employees are living in Canada?';您应该得到如下回复：
虽然上述答案是正确的，但是有些冗长。如果要在更广泛的软件应用（如代码协同引导程序）中部署该模型，则需要有更简洁的输出。
在此，我们需要强调的是，虽然取决于多种变量，但是在预先训练好的大语言模型上执行微调的主要效果，就是要影响模型的整体行为和排列，而不是完美地记忆新示例中包含的所有事实信息。相反，如果您需要提取存储在其他地方的特定真实数据，那么您最好使用RAG设置。这两种技术并不互斥，您完全可以同时使用两者。
步骤 4：微调模型
5.有了现成的数据集，再加上MindsDB和Anyscale Endpoint的简易性，我们只需如下一条SQL命令就能对Mistral 7B模型进行微调了：
FINETUNE ft_sql FROM example_db (
SELECT * FROM demo_data.anyscale_endpoints_ft_sample_data LIMIT 300
);6.该命令将触发Anyscale Endpoints平台上的微调运行。由于模型有70亿个参数，而数据集较小，因此该过程可能需要15分钟左右的时间。
如下图所示，您将会在注册Anyscale Endpoints时使用过的电子邮箱中收到通知。之后MindsDB模型也会显示为已准备就绪的状态。
下图展示了由其建立的可视化管道：
由于Mistral 7B是一个基于“transformer”架构的大型神经网络，因此对其进行“监督微调”可以被理解为：对预先训练好的基础模型的某些权重稍作修改。具体做法是：在部分新的数据上最小化误差指标，同时兼顾较低的学习率等因素。
而且，与基础预训练阶段相比，其根本的区别就在于数据是有标签的，而不是无标签的（标签提供了“监督”）。从上述步骤可知，我们提供了一个理想“助手”的预期回答，这将为训练过程提供参考信息，以获得一个比原始模型更善于生成答案的模型。
接着，我们来试着对模型提出如下问题：
SELECT answer FROM ft_sql WHERE content = 'Hi! I have created a SQL table with this command: “CREATE TABLE employees (country VARCHAR)”. How should I query my database to know how many employees are living in Canada?';与之相对应的答案（answer）列输出会显示为：SELECT COUNT(*) FROM employees WHERE country = "Canada"。显然，这要简洁得多。
由于MindsDB具有自动模型版本控制功能，因此您可以通过MODEL_NAME.VERSION访问以前的模型版本。下面是我们针对.1版本通过重新输入来触发。它将给出与第3.d节类似的答案。
SELECT answer FROM ft_sql.1 WHERE content = 'Hi! I have created a SQL table with this command: “CREATE TABLE employees (country VARCHAR)”. How should I query my database to know how many employees are living in Canada?' USING max_tokens=1000;需要进一步说明的是，虽然微调后的模型确实表现出了较大的不同，但是我们仍有必要根据经验来检查准确度指标，毕竟众所周知，LLM需要通过“空间（space）”来产生更好的答案。此处的空间是以词块来衡量的，它直接会导致更长的回答。这就意味着，根据任务的不同，冗长的答案可能会更难解析。不过，这实际上可能是提高下游任务准确性的一种理想特性。
步骤 5：提示工程
此处还有一个有趣的现象。正如OpenAI在发布GPT-2时所展示的那样，大语言模型可以有效地在“上下文”中学习，也就是所谓的“提示”。这正是为什么提示工程在建立LLM管道时，被描述为绝对关键的原因。事实表明，一个精心挑选的上下文实例所产生的影响，可能不亚于数十或数百个对模型进行微调的特定实例。
下面，让我们再次使用基本模型，并修改为“提示”方式，使得读取方式略有不同：
CREATE MODEL ft_sql_succinct
PREDICT answer
USING
engine = 'anyscale_endpoints',
model_name = 'mistralai/Mistral-7B-Instruct-v0.1',
prompt_template = 'Answer with the correct SQL query only, no explanations whatsoever. Here is the question: {{content}}';显然，如果使用相同的内容输入去查询该模型，就会得到“SELECT COUNT(*) FROM employees WHERE country = 'Canada';”这正是我们想要的效果，也说明了：对于简单的情况，良好的提示模板可以起到显著的作用。
什么时候使用提示工程？
大多数LLM提供者都会建议我们在进行任何微调之前，先进行提示工程的设计。而真正在进行微调时，您可以在某处生成一组新的模型。上文演示的MindsDB+Anyscale 技术栈虽然能够处理基础架构的开销，但与推理时可用于基础模型的单个灵活提示相比，则会引入额外的训练和服务问题等更高的运行成本。
反过来说，如果您有大量的数据需要微调，或者由于某种行为限制，使得提示工程无法满足您的要求的话，那么微调就会成为一种更有吸引力的选择。例如，您的基本模型可能有一个特别短的token限制（如：总共只有2K的token）。
当然，如前所述，如果您需要模型能够回忆各种事实情况，那么RAG则是必要的补充。它将能极大地帮助模型避免编造信息。
小结
在上文中，我们讨论了MindsDB和Anyscale Endpoints是如何以一种经济高效且简单的方式，将开源大模型与数据进行微调。同时，我们也探讨了微调对模型行为的影响，以及微调与提示工程的关系。希望上述内容对您有所帮助，祝您的项目取得成功。
【原标题】Fine-Tuning Mistral 7B: Enhance Open-Source Language Models with MindsDB and Anyscale Endpoints，作者: Jorge Torres