鸿海解析自家大语言模型FoxBrain技术亮点

今年3月，鸿海研究院披露了自家大型语言模型FoxBrain，后来在Nvidia GTC大会中进一步说明技术亮点，包括在预训练阶段用LLM来过滤原始数据并分类、结合LLM和COSTAR框架来产出品质更好的训练数据，以及在后训练阶段用LLM生成更多训练数据。甚至，他们也用LLM生成正确的推理过程，来强化FoxBrain推理能力，同时也用AI反馈强化学习（RLAIF）方法，来以AI为裁判，判断FoxBrain产出的答案品质，用比人工更快的方式教导模型对齐人类价值观。

亮点1：用LLM过滤原始数据

这个FoxBrain是以Llama 3.1 70B模型为基础，以120张H100 GPU、花4周训练而成，不只繁中能力超越Llama-3-Taiwan-70B，还具备良好的数学和逻辑推理能力，可执行数据分析、决策辅助、文书协作和程序代码生成等任务。

FoxBrain的技术亮点之一，是用LLM来过滤原始数据和分类。鸿海研究院技术负责人Van Nhiem Tran在Nvidia GTC大会中指出，FoxBrain模型训练可分为连续预训练（Continual pretraining）和后训练（Post-training）阶段，在预训练阶段，模型需要庞大训练数据，因此团队从开源数据集、外部数据（如arXiv、PubMed、新闻媒体等）和内部数据来收集训练数据，同时根据期望模型具备的领域知识，来决定数据范围，比如中英文数学和程序能力、台湾和世界金融知识、鸿海知识、高端推理能力等。

收集这些数据后，很重要的一步是数据过滤，筛选出可用的训练数据并分类。在这个阶段，鸿海将收集到的141.13B Token原始数据（即1,413亿个Token），先经过一系列范式初始处理，再通过LLM进行品质过滤、筛掉一部分原始数据，再由另一个LLM进行领域分类，筛除7.33%的重复性数据，最后产出不同子集的训练数据集，共97.71B Token。（如下图）

但如何用LLM过滤数据？Van Nhiem Tran解释，他们设计了数据品质评分标准与一套评分用的提示指令，当LLM接收一笔数据后，会根据这套提示对原始数据评分。一旦超过规定分数，这笔数据就会被保留，再由另一个LLM归类这笔数据，比如科学、财经等。有别于常见的重复性过滤，这个方法更能理解数据的语义表现，更能筛选出高品质数据。（如下图）

亮点2：用LLM强化训练数据品质

另一个技术亮点是用LLM来进行数据增强。这一步是在数据过滤和分类后，通过LLM来改写这些数据，让数据变得更有结构、文意更清楚易懂，且包含更多观点。

要改写数据，还需要一套统一的标准。于是，团队先用COSTAR框架来设计提示，让LLM根据提示要求，改写数据（补充说明：COSTAR是常见的提示词写作框架，包含背景资讯Context、具体目标Objective、写作风格Style、语气Tone、受众Audience和回复格式Response，但鸿海团队将其用来设计改写提示）。比如，产生一份关于计算机和电子产品的网页内容（对应C）、给高中生阅读（对应O）且简单易懂的版本（对应S）。（如下图）

有了提示标准，团队再来要找出各类别最适合改写的LLM，而非用一套LLM改写所有类别的数据。因此，他们根据数据过滤和分类后产生的类别，分别找出各类别代表性数据，再用几个小型LLM来改写这些数据。接着，他们用一套LLM作为评审，来评估这些改写后的数据分数，进而找出哪个LLM最适合改写哪个类别。（如下图）

他们评估小型LLM表现的指标有几个，比如文意清晰度、初衷保留度、深度、描述性、观点多样性等等。他们评估的模型有Qwen 2.0、Llama 3.0与3.1、Gemma 2和DeepSeek-V2等，也成功找出各类别最适合用来改写／增强的模型，比如Gemma 2最适合用来强化科学类数据。（如下图）

有了这些资讯，他们就构建一套工作流程，来根据筛选后的数据类别，以最擅长该类别的LLM来改写，进而提高训练数据品质。

亮点3：用LLM生成更多训练数据

上述的数据过滤分类和数据增强，都是为预训练数据的准备。预训练之后是后训练阶段，有别于预训练需要大量数据，后训练聚焦模型特定领域能力，通过相对少量的数据来微调。

在这个阶段，团队也用不少AI辅助方法，其一是用LLM生成数据。他们先用模型生成问题，再用其他LLM来回答问题，产出各自的答案。这时，还会有套LLM根据规则来评分这些答案并分类，最后，这些问题-答案组就会纳入后训练数据集。（如下图）

亮点4：用AI辅助模型训练

同样是在后训练阶段，团队还有些特别的技术，来微调模型。

其中一种方法是Adaptive Reasoning Reflection（ARRT），来让模型学习自主推理。鸿海研究所AI所长栗永徽说明，这个方法需要团队准备许多问题及相对应的答案，而且，这些答案不只有最后的解答，还有中间的推理过程。为节省推理过程数据收集的时间，鸿海团队用AI大模型，来针对各种问题，产出正确的推理过程。（如下图）

同时，为确保模型不会一直无限制推理、消耗太多Token，鸿海团队还设计一种方法，来让模型学习，如何根据题目难易度来自动决定推理所需的Token量，以此作为限制条件，也就是Adaptive的意思。

栗永徽点出，经ARRT训练的FoxBrain模型变得聪明许多，与DeepSeek相比，有些简单问题， DeepSeek可能会一直思考才给答案，但FoxBrain对难的问题会多思考，对简单的问题则思考快一些，在适当的时间内产出正确答案。

除了ARRT，团队还用了AI反馈的强化学习方法（RLAIF）来进行后训练，也就是以AI作为裁判，来在模型产出回答后，判断回答好不好，进而教导模型对齐人类偏好的答案，大幅提高效率。（如下图）

最后，为了让FoxBrain更贴近实用场景、能在计算资源有限的设备上执行，鸿海团队还使用压缩技术，比如剪枝、参数或权重稀疏（Sparsity）、量化等方法，来减少模型所需的内存和计算资源，兼顾速度和模型表现。

以上图片来源／鸿海研究院

#大数据# #鸿海# #人工智能#