三个大模型（ChatGPT,文心一言,Baichuan-13B)，帮我生成中医《本草纲目》的训练数据

最近想做一些中文大模型的微调实验，于是从祖国的文化瑰宝：中医入手，想让大模型学一下《本草纲目》，看下有没有什么火花出来。

说干就干，下载下来文本格式的《本草纲目》，然后做下预处理。

比如，原文是李时珍的《本草纲目》，格式是这样的：

观察数据后，我们发现，本草纲目里都是一个症状对应一个药方，很容易找到规律。

因此，只要把其中以数字（1，2，3等）序号里的文本摘出来，处理成JSON格式，然后把它们变成一个问-答 对的形式，模仿病人和医生的对话，就可以放到大模型训练了。

第一步我们做数据清洗，功能很简单，就是找出数字开头的行，同时，数字1开头的行有可能有一些特殊的格式，可能要加“主治”这两个字。

代码逻辑这么简单，我就不写了，让大模型帮我写：）

一、三个大模型的生成代码体验

1、ChatGPT3.5：

试了下，OK，运行成功，找到了关键的行。

二、文心一言

试了下，这个代码给的跟我的认知有点不符，它是用的中文名字做变量！！我不确定这个功能可不可以，于是测试了一下，可以！感谢文心一言！，学到了！

运行也成功了，赞！！

三、本地模型：百川-13B Chat

最后试下我们本地的大模型，百川-13B Chat，这里需要说明下，为了本地加载，我做了8-bit量化，可能会影响性能：

出现了一个问题，就是把prompt里的“和”字理解成了“与”的关系，经过进一步提示后，改对了，输出了正确的代码：

也成功了，赞！

小结一下：这三个模型都能帮我们完成一些简单的文本预处理工作，可能要把问题描述清楚后，效果会更好

二、生成最终的训练JSON数据体验

下面，用处理好的文本生成类似对话的JSON格式吧，先看下它们的one-shot learning能力怎么样：

直接看百川-13B chat的效果吧

没有问题！

但这个用大模型有点杀鸡用牛刀了，直接生成一段代码处理就好了，我这回直接问了ChatGPT,不用说，经过一番调教，给出了可用的代码：

用它稍加改动，生成了本次训练所用的数据集合，总共2000条数据：

这里留一个彩蛋，看下红框框住的某种不足为人知的病，李时珍先生给的治疗方案是什么。

出自：https://mp.weixin.qq.com/s/ebVyKQAqqVVtwzU3dI3wVQ