Instruction Tuning

Einfach erklärt

Instruction Tuning trainiert LLMs, Anweisungen zu verstehen und zu befolgen. Ein Basis-LLM kann Text vervollständigen, aber es weiß nicht, dass “Fasse zusammen” eine Aufforderung ist. Nach Instruction Tuning versteht es das.

Vorher (Basis-LLM):

Input: "Fasse diesen Text zusammen: [langer Text]"
Output: "Der Text handelt von..." (oder: vervollständigt einfach weiter)

Nachher (Instruction-Tuned):

Input: "Fasse diesen Text zusammen: [langer Text]"
Output: [Präzise Zusammenfassung des Textes]

Der Trainings-Prozess:

Datensatz:
{"instruction": "Übersetze ins Englische", "input": "Hallo Welt", "output": "Hello World"}
{"instruction": "Schreibe ein Gedicht über", "input": "Herbst", "output": "Die Blätter fallen..."}
...

-> Supervised Fine-Tuning auf diesen Paaren
-> Modell lernt, Anweisungen zu befolgen

Technischer Deep Dive

Datenformat

{
  "instruction": "Erkläre das Konzept einfach",
  "input": "Quantenverschränkung",
  "output": "Quantenverschränkung ist wie zwei magische Würfel..."
}

Oder im Chat-Format:

{
  "messages": [
    {"role": "user", "content": "Erkläre Quantenverschränkung einfach"},
    {"role": "assistant", "content": "Quantenverschränkung ist wie..."}
  ]
}

Der LLM-Training-Stack

1. Pre-Training (Basis-LLM)
   → Lernt Sprache aus riesigen Textmengen
   
2. Instruction Tuning (SFT)
   → Lernt, Anweisungen zu befolgen
   
3. RLHF / DPO (Alignment)
   → Lernt menschliche Präferenzen

Wichtige Datensätze

Datensatz	Größe	Besonderheit
FLAN	1.8M	Multi-Task, diverse Aufgaben
Alpaca	52K	GPT-generiert, kompakt
Dolly	15K	Menschlich geschrieben
OpenAssistant	160K	Community-erstellt, multilingual

Best Practices

• Qualität > Quantität: Wenige gute Beispiele schlagen viele schlechte
• Diversität: Viele verschiedene Aufgabentypen abdecken
• Konsistenz: Einheitliches Format und Stil
• Negative Beispiele: Was das Modell NICHT tun soll