不用千億參數也能合成高質量數據，這個開源框架讓小模型“組團逆襲”，7B 性能直追 72B

無需蒸餾任何大規模語言模型，小模型也能自給自足、聯合提升？

上海人工智慧實驗室聯合中國人民大學提出的 GRA 框架 （Generator–Reviewer–Adjudicator） 正是這樣一種新範式：

該方法以「多人協作」、“角色分工”的理念為核心，系統性探索了多開源小模型如何通過協同機制生成高品質訓練數據。

實驗結果顯示，在涵蓋數學、代碼、邏輯推理、通識問答等 10 個主流數據集上，GRA 生成的數據品質與單個大型語言模型（如 Qwen-2.5-72B-Instruct）輸出相當或更高，並在多數任務中取得了顯著領先。

該專案已開源，詳細可見文末連結。

GRA 框架：“模擬論文投稿”

如果說傳統方法是單槍匹馬生成數據，那 GRA 更像是一次“類比頂會審稿流程”——作者、審稿人、AC 各就各位，小模型分工合作、打分評審，確保數據內容品質穩定、標準統一。

1.Generator：像“作者”一樣創作新樣本

GRA 會先將任務劃分為多個領域（如數學、程式設計、邏輯推理等），每個 Generator 小模型負責在對應領域生成新指令與回應。 它們從種子數據中提取關鍵詞與摘要，結合領域知識生成高品質樣本，確保內容豐富、主題聚焦、語義清晰。

2.Reviewer：像「審稿人」一樣嚴格評審

每條數據生成後，會交由多個 Reviewer 小模型進行兩輪審查：

首先檢查指令是否合理、清晰;

然後全面評估響應的正確性、相關性與語言品質，並打分附評語。

系統會根據平均評分與評分一致性篩選樣本——分數偏低的直接淘汰，意見分歧的則送入下一環節。

3.Adjudicator：像“AC”一樣做出最終裁決

當 Reviewer 之間出現評分衝突時，Adjudicator 小模型將登場，獨立複審並做出最終判斷。 它如同學術審稿中的 AreaChair，有效避免“多數誤判”，確保留下來的數據客觀、可靠。

4.後處理模組：讓好數據更“精緻”

通過評審后，系統還將進行語義去重、摘要補全與格式統一，進一步提升樣本的一致性與表達品質。

總的來說，GRA 構建了一個「類比頂會審稿」的自動化系統：小模型們輪流扮演創作、審閱、仲裁等角色，在多輪協作中生成高品質訓練數據。

這種機制不僅提升了數據生成的多樣性與公正性，也打破了以往對大模型蒸餾的依賴——實現了真正屬於小模型的“集體智慧”路徑。

實驗驗證：“三個臭皮匠賽過諸葛亮”

GRA 團隊選取了覆蓋數學推理（如 Math、GSM8K）、代碼生成（HumanEval、MBPP）、推理問答（HellaSwag、ARC-C、GPQA、BBH）和通識問答（MMLU、IFEval）四個領域的 10 個公開數據集，以全面評 GRA 框架的性能。

GRA 框架集成了 5 個參數量在 7–8B 之間的開源小型語言模型，包括 LLaMA-3.1-8B-Instruct、Qwen-2.5-7B-Instruct、InternLM3-8B-Instruct、Mistral-7B-Instruct-v0.3 和 Tulu-3-8B。

將 GRA 生成的數據用於訓練兩個基礎模型（LLaMA-3.1-8B-Base 和 Qwen-2.5-7B-Base），並與原始種子數據以及 Qwen-2.5-32B、Qwen-2.5-72B-Instruct 蒸餾生成的數據進行了系統對比。

實驗核心結果表明：

1.明顯優於原始數據 ：GRA 生成的數據在 LLaMA-3.1 上平均提升了 6.18%，在 Qwen-2.5 上平均提升了 11.81%，說明即便在小模型之間協作，GRA 也能顯著提升數據質量和訓練效果。

2.能和大模型蒸餾正面硬剛 ：GRA 在 LLaMA-3.1 生成數據訓練的模型性能，僅比 Qwen-72B 蒸餾版低 0.59%; 在 Qwen-2.5 生成數據訓練的模型性能，平均領先 Qwen-72B 蒸餾版達 8.83%。 表明小模型協同機制有望成為更低成本、更高性價比的大模型替代方案。

3.大模型“更大”≠更好 ：實驗還發現，Qwen-72B 相比 32B 的性能增幅有限，反映出傳統蒸餾範式在進一步擴大參數規模時，收益正逐漸遞減。 相比之下，GRA 的「群體智慧」路徑更具擴展潛力。

一句話總結：多個小模型合理分工，也能「卷」出媲美甚至超越大模型的訓練效果。 這不僅節省算力，更可能重塑我們對“什麼才是有效數據合成”的認知。

要素分析：“1+1+1>3”

從數據多樣性、品質、難度控制等維度對 GRA 的優勢進行分析，發現以下關鍵因素：

1.數據多樣，補充盲區

通過 t-SNE 可視化對比發現，GRA 生成的數據分佈明顯比原始種子數據和大模型蒸餾數據更廣、更均勻，尤其在原始數據未覆蓋的語義空間中表現出良好的補充能力。 這表明 GRA 所產數據具備更強的覆蓋面和多樣性。

2.數據品質靠譜，審得細也審得穩

GRA 生成的數據不僅通過多個小模型評審，還在對比實驗中獲得了來自 Qwen-2.5-72B 的高分認可——其中超過 87.3%的樣本評分高度一致。

同時，GRA 的評分體系呈現出更平滑、細膩的分佈，表明其在數據質量評估中具備更強的解析度和一致性，驗證了其數據篩選機制的可靠性。

3.數據更“難啃”，訓練更有效

通過 Instruction-Following Difficulty（IFD）指標分析，GRA 生成數據的任務難度比種子數據高出 14.58%，並且與大模型蒸餾數據基本持平（GRA：75.82%，Qwen-72B 蒸餾：75.49%）。 這意味著 GRA 能夠構建具挑戰性、高知識密度的數據，為小模型提供更具張力的訓練樣本。

論文位址：https://arxiv.org/abs/2504.12322

專案位址：https://github.com/GX-XinGao/GRA

模型地址：https://huggingface.co/collections/GX-XinGao/gra-6801cba58ceb0074566cdb4e

本文來自微信公眾號 “量子位”，作者：GRA 團隊，36 氪經授權發佈。