仅需600多条数据，就能训练自己的长输出模型了？！

事情是酱婶儿的——

虽然大模型的上下文(Context)支持越来越长，但包括GPT-4o，Llama-3.1-70B，Claude 3.5 Sonnet在内的这些业界领先模型，在用户指定所需输出长度的情况下，其最大输出长度仍无法满足要求。

例如，针对“写一篇关于罗马帝国历史的10000字文章”的要求，所有这些通用模型在输出长度上均无法超过2000字。

对此，基于GLM4-9B，智谱通过构建长输出的训练数据得到了LongWriter-GLM4-9B模型，能够应对超长输出（10000+ words）场景。

与此同时，智谱开源了训练该模型所需的长输出文本数据集LongWriter-6K。

现在，魔搭社区上基于LongWriter-6K过滤精选了666条数据（LongWriter-6K-Filtered），也一并开源了。

有啥用？？

一句话，使用该数据集，你就能在自己的模型中集成长输出能力了。

LongWriter数据生成与模型训练

通过分析训练SFT数据，团队发现对于“模型无法输出较长文本”的一个合理解释为：

模型所能生成的最大长度，会受限于其SFT数据中存在的输出长度上限。

以GLM4-9B-Chat模型为例，其SFT训练使用的180K条chat数据中，输出长度超过500、1,000和2,000字的数据，分别仅占SFT数据量大的28%、2%和0.1%。

可见，长输出长度的训练数据占比较小，而2000字长度以上的数据样本占比更是微乎其微。

有了这个分析，LongWriter-GLM-9B是智谱基于GLM4-9B模型，通过构建长输出的训练数据而得到的模型，在输出长文方面表现突出。

在LongWriter工作的基础上，团队利用社区的Swift微调训练工具和EvalScope评估框架，进一步探索了在扩展模型输出长度这个任务上，高质量数据对于模型质量的重要性。

同时，将这个模型训练的receipt，扩展到其他模型（例如Qwen2）上。

在这个过程中，团队还分享了一些有趣的发现和实践经验：

a）少即是多：数据质量比数据数量更关键。

通过对数据的分析过滤，团队发现LongWriter-6K的6000条数据，依然存在优化空间。

他们从中选出了10%左右（666条）的高质量数据并基于这些数据做微调训练。

在Qwen2-7b-instruct和GLM4-9B-Chat两个模型上，只需要3.7%训练计算消耗，就能获取和原论文中，LongWriter-GLM-9B类似的性能提升。

此外，随着基础模型的升级，支持长输出这个能力，在新迭代中本身也会有所增强。但LongWriter的技术方案，还是有其适用性。例如在新鲜出炉的Qwen2.5模型上，团队通过第一时间的测试和验证发现，一方面Qwen2.5模型本身在文本生成长度上，已经有了长足进步，但同样的训练微调方案，还是能进一步带来很好的任务能力提升。

b）对于提升输出文本长度这个具体任务，从base模型开始SFT似乎不是必须的。

以对齐版本(chat/instruct)模型为起点，在模型输出质量和输出长度两方面，也都能获取较好的效果。

下面来看团队对数据的处理。

LongWriter-6K数据

LongWriter-6K数据是通过AgentWriter生成，也就是将长文写作任务分解为多个子任务，每个子任务负责撰写一段。

实验发现，在GPT-4o上使用AgentWriter策略，能够得到近乎线性的Output Length，且长度远超2000词，甚至可以达到30000词的量级。

LongWriter-6K数据集由6000条”Required Length”超过2000字的用户指令构成，来自于GLM-4的SFT数据，其中大部分为中文。

另外，从WildChat中选择了3000条指令，主要为英文。

在这个基础上，使用GPT-4o过滤掉有毒数据并人工检查了自动选择的指令。

最后，利用AgentWrite生成与这些instruction对应的response。

△LongWriter训练数据输出长度分布

LongWriter模型训练与评估

LongWriter-GLM4-9B模型训练使用GLM4-9B作为基模，将LongWriter-6k与180k的GLM-4通用chat SFT数据结合，形成整个训练集。

LongWriter-6k有效补充了输出长度超过2k字的通用chat SFT 数据的稀缺性，且LongWriter-6k的输出长度在2k-10k之间的分布相对均匀。

评价指标

针对输出长文本任务，LongWriter模型采用两个指标：

• 输出长度（SL）评分
• 
  
• 输出质量（SQ）评分
• 
  

为了让模型的输出长度尽可能接近指令中规定的要求，使用了分段线性函数来计算输出长度得分（SL）：

输出质量SQ则使用GPT-4o，从以下6个维度来评价：

• Relevance，相关性
• 
  
• Accuracy，准确性
• 
  
• Coherence，连贯性
• 
  
• Clarity，清晰度
• 
  
• Breadth and Depth，广度和深度
• 
  
• Reading Experience，阅读体验
• 
  

每个维度分值为1到5中的整数，最低分1，最高分5；最后6个维度整体求平均，并缩放到100分。

训练4个epoch，大约需要 2,500-3,000 step。

实验结果

△LongWriter实验结果

可以看到，LongWriter-9B相较于GLM4-9B-Chat，Overall绝对提升12.2个百分点(68.3->80.5)，同时再叠加DPO训练，可以有进一步3.5个点的提升。

从LongWriter-6k到LongWrier-6k-filtered：数据质量提升

通过观察LongWriter-6k数据集，团队发现针对任务的评估标准，这个数据集中仍然有较多的数据并不完全符合目标任务的要求。

例如，大量样本中，对输出长度没有明确要求（“Required Length”）：

{"messages": [  {"role": "user", "content": "请写一篇关于山东大学外国语学院创收情况的调研报告，创收主要渠道有组织四六级笔试阅卷及口语考试阅卷"},   {"role": "assistant", "content": "### 山东大学外国语学院... "}]}

实际输出长度（Response Length），与prompt要求的长度（Required Length）差距较大，例如：

{"messages": [{"role": "user", "content": "你是一位优秀的辩手，请针对以下辩题，给出观点立论：\n辩题：当代大学生是否应该住校\n立论角度：阐述不住校的好处\n立论要点：运用数据、事例等论证住校的必要性；从锻炼独立能力、培养社交技巧等方面论证观点\n内容要求：表达清晰，论点突出，精辟见解，让人信服 20000字"}, {"role": "assistant", "content": "### 引言：住校与否的辩论\n\n大学生活是每个青少年成长过程中的关键阶段，而当代大学生是否应该住校则成为一个备受争议的话题, ..."}], "length": 20000, "response_length": 7739}

——其Required Length为20000，但输出为7739

此外还有不少数据，由于输入内容被模型直接拒答，导致输出长度极短，对于整体数据质量有较大的污染。

鉴于这些数据对于目标任务可能造成的反作用，团队在LongWriter-6k数据基础上，实施了两个数据清洗剔除策略。

策略1

• 剔除prompt中对输出长度没有明确要求（Required Length）的数据
• 
  
• 数据总量：6000条 → 1748条
• 
  

策略2

• 剔除输出长度和prompt中的Required Length差距较大的数据，即eval_length score—SL得分小于80分的数据
• 
  
• 数据总量：1748条 → 666条

△策略1过滤后 vs 策略2过滤后的数据特性

可以看到，在经过两轮策略过滤后的数据，其实际Output Length体现了对于Required Length非常好的遵循能力，整体数据样本长度关联接近线性。

这样经过对LongWriter-6k数据极限“压榨”，最终得到了包含666条经过清洗后的LongWrier-6k-filtered数据集，并开源在ModelScope。

基于这个新的LongWrier-6k-filtered数据集，下面开始探索：

这些“少而精”的数据，是否能训练出效果相当甚至更为出色LongWriter模型。

基于不同数据集和模型的LongWriter微调

为了验证“通过基础长输出文本数据，以及精选的输出长度遵循数据，来调教基础模型的长文写作能力”这一方案的通用性，团队选择了Qwen2和GLM4模型来验证上述假设。

同时团队认为，对于长文本写作这一任务，人类对齐过的chat或instruct模型已经提供了一个较好的基准，故可能不需要完全base模型并带上全量的chat SFT数据开始训练。

所以团队分别选用了Qwen2-7b-instruct和GLM4-9B-Chat模型作为训练的基准模型。

当然还有一个原因是，团队确实也没有Qwen2或GLM4的完整SFT数据（doge）。

在不同的实验里，团队选用的数据集，除了LongWrier-6k和LongWrier-6k-filtered之外，还包括了：

Qwen2-72B-Instruct生成并经过筛选的200k中文以及英文对话数据集Magpie-Qwen2-Pro-200K-Chinese和Magpie-Qwen2-Pro-200K-English。

在loss函数的选择方面，使用了“long-ce”loss函数，这与原始LongWriter文章中采用的策略相同：

为避免长输出数据中每个target token对损失的贡献低于短输出的问题，long-ce loss通过计算该批次中所有target token的average loss来获得。

基于ModelScope Swift项目提供的多数据集混合能力，数据混合的训练微调都可以通过一个命令行完成。

例如，如下命令完成的是将longwriter-6k-filtered、Qwen2-Pro-200K-Chinese和Qwen2-Pro-200K-English三个数据集抽样后按自定义混合（包括随机抽样）策略，使用long-ce loss来进行SFT：

swift sft \    --model_type qwen2-7b-instruct \    --dataset longwriter-6k-filtered qwen2-pro-zh#6660 qwen2-pro-en#6660 \    --max_length 28672 \    --num_train_epochs 2 \    --eval_steps 200 \    --batch_size 1 \    --gradient_accumulation_steps 64 \    --gradient_checkpointing true \    --warmup_ratio 0.1 \    --learning_rate 1e-5 \    --sft_type full \    --loss_name long-ce \    --check_dataset_strategy warning \    --save_only_model false \    --save_total_limit -1 \    --lazy_tokenize true \    --dataloader_num_workers 1 \    --resume_only_model true \    --neftune_noise_alpha 5 \    --use_flash_attn true

同时遵照LongWriter paper定义的输出长度（SL）和 输出质量（SQ）评分，可以基于EvalScope框架来进行相关评测。

在评测过程中，对于模型推理的配置为repetition_penalty=1.1, temperature=0.5。

LongWriter评测：

# pip install evalscope[framework]
# 配置任务# `infer`--推理阶段；`eval_l`--length分数评估；`eval_q`：quality分数评估task_cfg = dict(stage=['infer', 'eval_l', 'eval_q'],                model='ZhipuAI/LongWriter-glm4-9b',                input_data_path=None,                output_dir='./outputs',                openai_api_key=None,                openai_gpt_model='gpt-4o-2024-05-13',                infer_generation_kwargs={                    'max_new_tokens': 32768,                    'temperature': 0.5                },                eval_generation_kwargs={                    'max_new_tokens': 1024,                    'temperature': 0.5,                    'stop': None                },                proc_num=8)
# 提交评测from evalscope.third_party.longbench_write import run_taskrun_task(task_cfg=task_cfg)

训练配置

• 硬件环境：NVIDIA A100 x 4
• 
  
• 初始学习率：1e-5
• 
  
• batch size：1，开启梯度累加
• 
  

模型效果评估

基于Qwen2-7b-instruct

团队首先使用Qwen2-7b-instruct作为基础模型，来微调生成LongWriter模型。实验设计如下：

通过上述实验可以看出，针对遵循指令进行长文本写作这个任务，使用“少而精”的数据，对于模型最终的性能至关重要。

事实上，在实验3中，只通过LongWriter-6k-filtered数据集4个epoch训练，总共2.6K条数据，其训练出来的模型，无论在写作长度，还是写作质量上，都显著优于LongWriter-6k + 180k的通用数据混合训练的模型。

同时，在实验3使用的LongWriter-6k-filtered数据集基础上，实验4再添加1:20混合的通用数据集，总共13.6K数据训练2个epoch，能进一步获得更好的结果。

Qwen2-7b-instruct的这个结果，也验证了使用LongWriter-6k-filtered数据集来微调长文本写作能力，具有一定的通用性，不只局限于GLM4系列模型。

此外，如同LongWriter论文里展示的一样，在写作质量方面，增强了长文本能力的模型，在质量上有小幅度的波动(-1.47点)。

在这些实验里，最终选择了实验4产出的模型作为MS-LongWriter-Qwen2-7b-instruct,并开源到ModelScope。

图6展示了训练定制前后的模型，在输出文本遵循指定长度方面的对比。

可以看到，训练后的模型的文本输出长度，能更好的贴合prompt的要求，特别是在要求输出的文本长度较长的时候。

基于GLM4-9b-Chat

接下来，团队把LongWriter-6k-filtered数据集，以及对应微调定制模型的方法（也就是上述实验4的配置），也以GLM4-9b-Chat模型作为基座进行了定制训练，并且与LongWriter-GLM4-9B结果做了对比。

如下表所示：

可以看到基于实验4的配置，使用GLM4-9b-Chat作为基础，总共使用了13.6K数据，训练2 epoch；而原始LongWriter-GLM4-9B使用186K数据，训练4 epoch。

实验4训练用的总数据量在仅为原始LongWriter-GLM4-9B训练使用数据量7.5%（实际消耗计算资源为3.7%）的情况下，获取了类似的效果。

当然这里一个显著的区分点，是团队是以GLM4-9b-Chat作为训练的基础。

考虑到原始论文中使用的是GLM4-9b base模型作为基座，客观上确实需要更多通用对齐数据集。

但如同之前讨论的，对于遵循指令进行长文本写作这个具体任务，从base模型开始训练可能并不必要。

在这些实验里，最终选择了实验4产出的模型作为MS-LongWriter-GLM4-9B-Chat，并开源到ModelScope。

基于Qwen2.5-7b-instruct

在团队的这个探索接近尾声之时，Qwen模型家族正式推出Qwen2.5系列。

相比Qwen2系列，Qwen2.5支持的输出长度有了较大的提升。团队也在第一时间基于Qwen2.5-7B-Instruct模型做了初步的实验，结果如下：

对比上述表格，可以清晰看到，未经定制的Qwen2.5-7B-Instruct模型在遵循指令进行长文本写作的输出长度（SL）方面的评分，无论是对比Qwen2-7B-Instruct，还是GLM4-9b-Chat，都已经有了较大的提升。

而通过实验4的13.6K条数据2个epoch的定制训练，模型综合指标（S-avg）就已经达到达到最佳。在这个基础上，额外进行了基于LongWriter-6k-filtered 666 条数据的2个epoch退火训练，则在SL, SQ和S-avg几个指标上都全面超越了其他测试模型。

其中具体实验5的退火(annealing)训练的命令行如下：

CUDA_VISIBLE_DEVICES=0,1,2,3 nohup swift sft \    --model_type qwen2_5-7b-instruct \    --dataset longwriter-6k-filtered#666 \    --max_length 28672 \    --num_train_epochs 2 \    --eval_steps 200 \    --batch_size 1 \    --gradient_accumulation_steps 64 \    --gradient_checkpointing true \    --warmup_ratio 0.1 \    --learning_rate 2e-6 \    --sft_type full \    --loss_name long-ce \    --check_dataset_strategy warning \    --save_only_model false \    --save_total_limit -1 \    --lazy_tokenize true \    --dataloader_num_workers 1 \    --resume_only_model true \    --neftune_noise_alpha 5 \    --use_flash_attn true \    --resume_from_checkpoint {previous-checkpoint-path} > {output-checkpoint-path}

最终采取实验5的产出模型，作为MS-LongWriter-Qwen2.5-7B-Instruct开源到了ModelScope。

微调对于基础能力的影响

最后，为评估针对遵循指令进行长文本写作任务定制的模型，在基础能力上是否存在退化，在mmlu、ceval、ARC_c、gsm8k上，使用EvalScope对于MS-LongWriter-Qwen2-7b-instruct进行了评估。

通过swift接口与EvalScope的对接，可以一键完成模型部署，推理和评估流程。

例如可以通过如下命令，完成对于Qwen2-7b-instruct的基础能力评估：

CUDA_VISIBLE_DEVCIES=0 swift eval --model_type qwen2-7b-instruct --eval_dataset mmlu ceval ARC_c gsm8k

‍比较几个模型在基础benchamrk上的得分，结果如下：

可以看到，针对遵循指令进行长文本写作任务定制微调的模型，除了在ceval上有一些提升，在其他通用任务，尤其是偏逻辑推理的benchmark上，能力还是会有一定的regression，例如在MMLU上的掉点是较为明显的。

结论

总体来看，多种证据表明，针对遵循指令进行长文本写作这个任务，要来训练定制模型，训练数据的质量，会比数量更加重要。

且在这个任务上，可能从对齐的chat或instruct模型开始训练，会比从未对齐的base模型开始训练更加经济。

在这个最佳实践中，得益于ModelScope Swift训练工具和EvalScope评估工具，团队很方便的进行了各种不同的对比实验。

本文中使用到的开源工具包括：

• 模型训练微调框架：MS-Swift
• 
  
• 模型评估工具：EvalScope
• 
  

并且通过基于chat和instruct模型作为起点，只使用相比原始LongWrite训练所需的3.7%的数据和计算消耗，就在Qwen2-7b-instruct和GLM4-9b-Chat上，在长文本撰写任务上都获得了和原paper里几乎一致的效果提升（12pt左右）。

而在Qwen2.5-7b-instruct本身提供了较好长文本输出能力的基础上，通过同样少量高质量数据的训练定制，在这个任务上，能全方位获得最佳的效果。

团队训练使用的数据，以及最后输出的模型，目前都开源到了ModelScope。

文章来源于“量子位”，作者“魔搭ModelScope团队”