增量预训练（Pretrain）样本拼接篇
增量预训练（Pretrain）样本拼接篇
一、Pretrain阶段，为什么需要拼接拼接？
为了提高pretrain效率、拓展LLM最大长度，随机将若干条短文本进行拼接是pretrain阶段常见手段。
二、有哪些拼接方式？
拼接方式一：Random Concatenate
随机将短文本 {examples_i} 拼接成 {examples_k} 以打满maxLen是pretrain的常见手段，该方法不仅能够降低padding占比、提高训练效率，还能使LLM具备更好的长文本处理能力。
但笔者认为，绝大多数情况下构成 Example 的多个 examples 彼此互不相关，无法提供有效的上下文信息，LLM自然也无法从拓宽的窗口中获得反馈。甚至，在语料较少、分布比较集中时，LLM 很有可能从多次、偶然的（因拼接导致的）噪音共现中拟合到错误的特征。当然，如果语料足够多、分布足够广，LLM仍能通过足够的contrastive，逐渐聚焦于 examples 本身而非其他无关examples 。此外，也有一些使用specialToken对 examples 进行软隔离的方案，但没有额外的正则手段时，使用specialToken进行隔离或许只是鸡生蛋、蛋生鸡的死循环。
拼接方式二：Random Concatenate + NoiseMask
为缓解2.1所述的无关 examples 间的噪音共现问题，笔者尝试过添加自定义attentionMask，使LLM在pretrain 时仅 focus on 当前 example ，经笔者测试，该方法在ICL few-shot上相比2.1（也即常规pretrain方法）有1.6%左右的提升。
def segment_causal_mask(input_ids, device, val=float("-inf")):bsz, tgt_len = input_ids.shapecum_lens = torch.arange(1, tgt_len+1, device=device).unsqueeze(0) * \torch.eq(input_ids, EosTokenId).int().to(device)mask = torch.zeros([bsz, tgt_len, tgt_len]).to(device)for i, _cum_lens in enumerate(cum_lens):for v in _cum_lens: mask[i,v:,:v] = valreturn mask
但这种方式仍存在一个问题，相对位置编码（如ALIBI、ROPE）的token-wise相对位置信息会在attentionScore矩阵对应位置有所体现，如果施加了attentionMask，这部分相对位置信息经过softmax会被完全掩盖/误杀，也即LLM无法在BP过程中，从跨 examples 间获得反馈（不论是相对位置的反馈还是语义信息的反馈）。因此在不考虑外推性的前提下，这种pretrain方法仍是在短文本窗口内进行训练，没有真正意义上实现maxLen级别的长文本训练，只能起到提高训练效率的作用。
另外，尽管2.1中没有利用attentionMask，LLM是否能从无关 examples 构成的窗口中获取对（更远）相对位置的正向反馈仍然存疑（如果数据构成表现为远的都不相关，即便没有mask，LLM也倾向于忽略更远的tokens），或许这也是多数LLM在拓宽maxLen之后，长文本支持效果仍然差强人意的原因之一。
拼接方式三：Random Concatenate + Cluster
鉴于2.2存在的问题，能否既不施加attentionMask，也能让LLM不受跨 examples 干扰甚至还能获益的方法呢？一个直观的想法就是以实体、语义等维度对 {examples_i} 进行聚类，使构成同一个Example 的 examples 存在真实可靠的信息共现前提，从而LLM更加不容易从噪音共现中学偏，也能从pretrain中适应更加广泛全局的attention、从而具备更好的长文本处理能力。
笔者曾经尝试沿实体维度进行聚类，但发现了一个比较棘手的问题：信息重复，以及经过关键词、语义去重后仍难以避免的信息泄露（或者说二者本质相同，只是程度的分别）。在此情况下LLM有从memorize变成了copy的风险，或许这就是后来实验结论没有显著的原因。
本文作者提出的ICLM实际上也是一种类似的方法，即基于语义对 examples 进行聚合、拼接，因此笔者开始时也十分好奇作者如何妥善处理泄露问题。
拼接方式四：IN-CONTEXT PRETRAINING
作者在文中提出的pretrain方法，基本思想是在拼接时，利用语义相似度，优先将最相似的进行拼接，从而构成语义更加连贯流畅的上下文，基本流程如下图：
- 将 {examples_i} embedding化（作者使用了contriever）；
- 基于余弦距离进行数据去重；
- 基于旅行商思想，不断串联最相关的 examples（每个 example 用完即扔，不会repeat）；
- 基于拼接后的 {examples_k} 进行pretrain；
作者在文中多次强调了数据去重的重要性，并经过消融实验验证了去重对ICLM的正向增益。相比实体，沿语义聚合的 {examples_i} 分布更加平缓，受泄露影响的风险更低；此外，分布更广泛的数据、更妥善的去重操作，或许也是ICLM能够有效的重要原因。
总结
本文讨论了在增量预训练（Pretrain）阶段，为了提高训练效率和拓展LLM最大长度，常见的样本拼接方法。介绍了四种拼接方式：Random Concatenate、Random Concatenate + NoiseMask、Random Concatenate + Cluster和IN-CONTEXT PRETRAINING。每种方法都有其优缺点，如Random Concatenate可能导致噪音共现，NoiseMask限制了相对位置信息的反馈，Cluster面临信息重复和泄露问题，而IN-CONTEXT PRETRAINING通过语义相似度拼接和数据去重，有效提高了长文本处理能力。通过这些方法，可以在有限的计算资源下高效训练和推理大模型。