上海AI Lab 提出ULTRAIF方法，通过两阶段过程合成高质量指令遵循数据集，代码与数据集完全开源！

论文名称：UltraIF: Advancing Instruction Following from the Wild

论文链接：https://arxiv.org/abs/2502.04153

机构：上海AI Lab + 北大 + 清华

Github代码链接：https://github.com/kkk-an/UltraIF

数据集链接：https://huggingface.co/collections/bambisheng/ultraif-series-67ee75a6042e8ba3e97d0b25

个人文章索引：【LLM Instruction Following Data】论文分享No.17：ULTRAIF

简介

如何构造有效的高质量指令遵循数据来提升LLM在这方面的能力，在业界是一个非常重要的研究方向，但之前很少有工作详细介绍并开源指令遵循数据的构造方法。

本文就提出了ULTRAIF方法，通过两阶段过程合成高质量指令遵循数据集，并通过实验证明了其数据构造框架的有效性，值得一看。

Data Pipeline（ULTRAIF）

框架概述

图2展示了ULTRAIF方法里两个关键流程：UltraComposer和Generate-then-Evaluate ，具体如下：

• UltraComposer部分

① 指令分解与评估问题生成（图a）：比如有个指令“用莎士比亚的风格，给我推荐十本中国书籍”。这一步会把它拆解成“简化指令”和“约束条件” 。简化指令就是“给我推荐十本中国书籍” ，约束条件是“用莎士比亚的风格” 。同时还会生成一个评估问题，像“回答是用莎士比亚的风格写的吗？” 。

② UltraComposer训练（图b）：把前面得到的简化指令作为输入，让UltraComposer这个模型去学习输出原始指令和对应的评估问题 ，通过这样的训练让它掌握这种转换能力。

• Generate-then-Evaluate部分

① 指令生成（图c）：从ShareGPT等来源获取基础指令（Vanilla Ins. ），然后用训练好的UltraComposer对这些基础指令进行加工处理，生成新的指令。

② 响应评估（图d）：让LLM根据生成的指令给出回答（Responses） ，之后再用LLM对这些回答进行评估，判断回答是否符合要求，符合的就选中（Chosen） ，不符合的就拒绝（Rejected） 。

UltraComposer

UltraComposer这一步主要是为生成多样复杂且回答正确的指令而提出的专门模型 ，还是以图2里面莎士比亚的例子作说明，构建分三步：

• 指令分解（Instruction Decomposition）

比如一开始收到一个指令 “用莎士比亚的风格，给我推荐十本中国书籍” 。UltraComposer 要做的第一步是把这个指令拆解。就像把一个大任务拆成小任务，它会把这个指令拆成 “简化指令” 和 “约束条件” 。简化指令就是 “给我推荐十本中国书籍” ，这是最核心的任务；约束条件是 “用莎士比亚的风格” ，这是对完成任务的要求 。

• 评估问题生成（Evaluation Question Generation）

然后，它还要生成一个评估问题。就好比你布置任务后，得有个标准检查做得对不对。对于上面这个例子，评估问题就是 “回答是用莎士比亚的风格写的吗？” 。

• UltraComposer训练（UltraComposer Training）

最后，通过这些拆解后的东西去训练 UltraComposer 这个模型，让它学会看到 “给我推荐十本中国书籍” 这样的简化指令，就能输出原始指令 “用莎士比亚的风格，给我推荐十本中国书籍” ，以及对应的评估问题 “回答是用莎士比亚的风格写的吗？” 。

Generate-then-Evaluate

Generate-then-Evaluate是ULTRAIF中高效生成高质量指令遵循数据的过程，含指令生成和响应评估两部分：

• 指令生成（Instrucion Generation）

先从已有的数据集里找一些像 “给我推荐十本中国书籍” 这样的基础指令 。然后让 UltraComposer 上场，给这些基础指令加约束条件，比如加上 “用莎士比亚的风格” ，把简单指令变成更复杂的指令，同时还会生成评估问题 。

• 响应评估（Response Evaluation）

接着，让LLM根据加了约束条件后的指令，像 “用莎士比亚的风格，给我推荐十本中国书籍” ，给出好几个回答。再用之前生成的评估问题 “回答是用莎士比亚的风格写的吗？” ，去检查这些回答。符合要求的回答就留下，不符合的就扔掉。这样就能得到高质量的指令遵循QA对数据了 。

训练策略

SFT

对数据集$D\_data$进行标准的SFT，其中$\overline{x}$是增强后的指令，$y\_c$是相应的选中回答。

SFT + Iterative Online DPO

由于ULTRAIF有评估问题，便于质量控制，所以适合应用直接偏好优化（DPO）来优化微调后的模型。

实验结果

数据集

① ShareGPT：含有大量用户与 GPT-4 的聊天记录，研究人员从中分解出约 200K 数据对，这些数据主要用于训练 UltraComposer。

② OpenHermes2.5：大规模、多样化且高质量的合成指令和聊天样本集。

③ No Robots：专业人员标注的高质量指令和演示数据集

期间生成评估问题所用的模型是LLaMA-3.1-70B-Instruct 。

训练设置

先对 LLaMA-3.1-8B-Instruct 进行微调以构建 UltraComposer。之后探索两种设置来实施训练策略：

① Strong-to-Weak：即从较大模型（LLaMA-3.1-70B-Instruct）向较小模型（LLaMA-3.1-8B-Base）进行知识蒸馏，用大模型做响应生成和评估，训练小模型。

② Self-Alignment：用 LLaMA-3.1-8B-Instruct 替换监督模型来训练 Base 模型。

评估基准

在五个指令遵循基准测试上评估 ULTRAIF，包括 IFEval、Multi-IF、InfoBench、FollowBench 和 LiveBench。

除了指令跟随基准测试，还进一步测试 ULTRAIF 在数学、推理、编码和一般交互能力等方面的通用能力。

关键结论

①【表1】在五个指令跟随基准测试中，ULTRAIF在Strong-to-Weak和Self-Alignment设置下，通过不同训练策略（SFT、迭代DPO等）均展现出优异性能，超过先前方法，迭代DPO能有效提升性能，且扩大训练数据规模可使ULTRAIF达到新的里程碑，逼近LLaMA-3.1-8B-Instruct的性能。

②【表2】在编码、推理、数学和对话四个通用领域的评估中，ULTRAIF虽在数学领域表现略逊于AutoIF，但在编码和对话任务上有显著提升，扩大训练数据规模和经过DPO阶段能提升其性能，在LiveBench基准测试和ArenaHard对话任务上优势明显，表明该方法有助于开发更通用、更具多任务处理能力的模型。

论文中还有更多实验结果，不一一赘述了，主要看数据的构建思路。

总结

这篇文章的构造思路还是值得一试的，但如果要应用到企业特定领域内，还需要做不少改造，比如指令遵循的数据源就得从线上选了，以及一个问题可能不止有一个简化指令以及评估问题，怎么提升这一步的效果是最关键的。