Role Prompting Guided Domain Adaptation with General Capability Preserve for Large Language Models

本文是LLM系列文章，针对《Role Prompting Guided Domain Adaptation with General Capability
Preserve for Large Language Models》的翻译。

摘要

对用于专业应用程序的大型语言模型（LLM）的兴趣日益增长，这揭示了一个重大挑战：当针对特定领域进行定制时，LLM往往会经历灾难性的遗忘，损害其一般功能，并导致次优的用户体验。此外，由于域之间的混淆，同时为多个域创建通用模型往往会导致整体性能下降。针对这些问题，我们提出了RolE提示引导多领域适应（REGA）策略。这种新方法通过三个关键组成部分有效地管理多域LLM自适应：1）自蒸馏构建和重放一般域样本，以缓解灾难性遗忘。2） 角色提示为一般域分配一个中心提示，为每个特定域分配一一个唯一的角色提示，以最大限度地减少训练过程中域间的混乱。3） 角色集成重用并集成一小部分特定于领域的数据到通用领域数据，这些数据在中央提示的指导下进行训练。中央提示用于简化推理过程，消除了为不同域切换提示的必要性。实证结果表明，REGA有效地缓解了灾难性遗忘和领域间混乱。与标准微调模型相比，这提高了特定领域的性能，同时仍保留了强大的通用功能。

1 引言

2 相关工作

3 方法

4 实验

5 深入分析

6 讨论

<