笔记整理：吴亦珂，东南大学硕士，研究方向为大语言模型、知识图谱

链接：https://arxiv.org/abs/2203.02155

1. 动机

大型语言模型（large language model, LLM）可以根据提示完成各种自然语言处理任务。然而，这些模型可能会展现出与人类意图不一致的行为，例如编造事实、生成带有偏见或有害信息，或者不遵循用户的指令。这种情况的原因在于LLM的训练目标是预测下一个标记（token），而不是有针对性地、安全地遵循用户的指令。这导致LLM与人类指令的对齐不足，而这一点对于在各种应用中部署和使用LLM至关重要。因此，本文的动机在于通过训练LLM，使其与用户意图保持一致。为了实现这一目标，本文采用了微调方法，提出了基于人类反馈的强化学习策略（reinforcement learning from human feedback, RLHF），该技术将人类偏好作为激励信号来微调模型。作者的方法大致分为三个部分：

（1）将GPT-3作为模型骨架，采用监督学习的方式训练，作为基线模型。

（2）人工对GPT-3的输出基于生成质量排序，在基线模型基础上训练一个能够符合人类偏好的奖励模型。

（3）将奖励模型作为奖励函数，采用极大化奖励的方式基于PPO算法微调基线模型。

通过上述3个阶段，实现了GPT-3到人类偏好的对齐，作者将微调后的模型称为InstructGPT。

2. 贡献

（1）提出了一种基于人类反馈的强化学习策略RLHF，使得LLM能够更好地符合人类的偏好，从而使模型更加有用、安全和诚实。

（2）InstructGPT相较于GPT-3，生成的结果更符合人类的偏好，具有更高的真实性和更低的潜在有害性。

（3）实验结果表明，通过RLHF微调，LLM可以更好的服从人类的指令，并且具备更强的指令泛化能力。

3. 方法

本研究基于用户在OpenAI API上提交的文本提示和人工编写的文本提示，创建了三个不同的数据集，用于微调过程：（1）监督微调数据集，用于训练监督模型，其中包含13k个训练样例；（2）奖励模型数据集，人工对模型的输出进行排序，用于训练奖励模型，该数据集包含33k个样例；（3）PPO数据集，没有人工标注，用于进行基于人类反馈的强化学习训练，该数据集包含31k个样例。图1展示了这三个数据集中任务的分布情况。

图1 数据集的任务分布
本研究将GPT-3作为基本预训练模型，采用三个策略训练，训练框架如图2所示：
(1) 监督微调（SFT, supervised fine-tuning）：采用监督学习方法微调GPT-3，利用验证集上的奖励模型分数选择最佳的SFT模型。
(2) 奖励模型（RM, reward modeling）：输入提示和回答，训练模型输出量化的奖励。本研究采用6B模型作为基础模型，因为作者发现175B模型可能不够稳定，且在强化学习中不适合作为价值函数。为了提高训练效率，不同于传统奖励模型每次对两个模型输出进行比较，本研究要求标注者对4到9个回答进行排序。设K为排序的数量，则标注者一共需要进行  次比较。由于每个标注任务中的比较具有很高的相关性，如果简单地将比较混合成一个数据集进行训练，可能导致奖励模型过拟合。因此，本研究将每个提示的所有  个比较作为单个批次训练。这种做法避免了过拟合，并且在计算上更加高效，因为每次完成只需要对奖励模型进行一次前向传递，而不是  次。奖励模型的损失函数定义如下：

其中，  是奖励模型对于指令x和回答y给出的量化奖励，  是  和  中更符合人类偏好的输出，D为奖励模型训练数据集。

(3) 强化学习（RL, reinforcement learning）：采用PPO算法对SFT模型进行微调。模型基于随机的指令产生回答，奖励模型根据指令和回答生成奖励信号，指导模型的微调过程。为了防止过拟合，作者对每个生成的标记增加了逐标记的KL散度惩罚。通过这种方式训练的模型被称为PPO模型。此外，作者还尝试将预训练模型的梯度与PPO梯度进行混合，以缓解在公开自然语言处理数据集上性能下降的问题。这种方式训练的模型被称为PPO-ptx模型。强化学习训练旨在最大化以下目标：

其中，  是强化学习策略，  是监督训练模型，  是预训练分布。KL奖励系数β和预训练损失系数γ分别控制 KL 惩罚和预训练梯度的强度。

图2 RLHF训练框架

4. 实验

4.1 对比模型

本研究主要对经过RLHF训练的PPO模型与SFT模型、原版GPT-3模型以及GPT-3-prompted模型（模型输入时加上若干例子构成前缀，引导模型遵循指令）进行了比较。同时，还将InstructGPT模型与在FLAN和T0数据集上微调后的175B GPT-3模型进行了对比。

4.2 评测方法
本研究采用定量评估和定性评估相结合的评估方法。其中，定量评估包括基于API提示数据的评估和在公开自然语言处理数据集上的评估。
（1）基于API提示数据的评估。数据来源于用户在InstructGPT API和GPT-3 API输入的提示。作者将175B SFT模型作为基线模型，计算模型输出优于基线模型的频率。此外，人工对于模型输出基于李克特量表进行打分。
（2）公开自然语言处理数据集上的评估。数据集主要分为两类：一是反映模型在安全性、真实性、有害性和偏差性等方面表现的数据集；二是衡量模型在传统自然语言处理任务上的零样本性能的数据集。
（3）定性评估。通过人工编写若干测试用例评测模型，包括评估模型的泛化能力等。

4.3 结果

（1）基于API提示的评估
InstructGPT模型更符合人类偏好。实验中，本研究将175B的SFT模型作为基线模型，并统计了PPO模型、PPO-ptx模型、GPT-3模型和GPT-3-prompted模型相对于基线模型，在人工评估中产生更高质量输出的频率。具体实验结果如图3所示。结果显示，本文提出的PPO模型和PPO-ptx模型在GPT分布和Instruct分布下都表现最好。

图3 基于API提示的评估结果

InstructGPT在与人类偏好的对齐方面展现了一定的泛化能力。为了验证InstructGPT是否仅仅符合标注人员的偏好，本研究选择没有进行数据标注的人对模型输出结果进行了评估，并得出了一致的结论：InstructGPT显著优于基线模型GPT-3。
公开的自然语言处理数据集无法完全反映语言模型的使用情况。为了进一步评估InstructGPT的性能，本研究将其与在FLAN和T0数据集上微调的175B GPT-3进行了比较。实验结果表明，微调后的175B GPT-3模型优于原版GPT-3，与经过精心设计输入提示的GPT-3性能相当，但不及SFT模型和InstructGPT。作者认为，InstructGPT相对于微调后的GPT-3模型更具优势的原因有两个方面：（1）公开数据集主要涵盖分类和问答等任务，而在实际用户使用的数据中，这两种任务只占很小比例。（2）公开的自然语言处理数据集无法包含足够多样性的输入。

（2）基于公开自然语言处理数据集的评估

相较于GPT-3模型，InstructGPT在真实性方面有所提升。本研究通过在TruthfulQA数据集上进行人工评估，发现PPO模型相对于GPT-3表现出一定的提升。此外，本研究还采用了“Instruction+QA”提示的方式，引导模型在面临不确定正确答案的情况下回答“I have no comment”。实验结果显示，在这两种设定下，InstructGPT相对于GPT-3具有更好的性能，具体实验结果见图4。

图4 TruthfulQA数据集的评估结果

相较于GPT-3模型，InstructGPT生成的有害内容更少。本研究通过在RealToxicityPrompts数据集上进行评估，从两个方面考察模型的性能：（1）采用数据集标准的自动评估方法，获取有害性分数。（2）人工对模型生成的回答进行有害性打分。在模型输入方面，研究采用了两种设置：不加入提示内容和加入提示内容以引导模型生成无害的内容（respectful prompt）。实验结果如图5所示。两种评估方法都表明，在加入respectful prompt的设定下，InstructGPT表现更好，但在没有提示内容的情况下，InstructGPT和GPT-3的性能相近。

图5 RealToxicityPrompts数据集上的评估结果

通过改进RLHF的微调过程，可以减少在公开数据集上的性能下降。作者指出，经过RLHF训练的PPO模型在多个公开自然语言处理数据集上可能受到“对齐税”的影响而性能下降。为了解决这个问题，在PPO微调过程中引入了预训练更新，这种模型称之为“PPO-ptx”。具体的实验结果如图6所示。实验结果表明，相对于PPO模型，PPO-ptx在HellaSwag数据集上表现出更好的性能，超过了GPT-3模型。然而，在其他任务上，PPO-ptx的性能仍然不如GPT-3模型。

图6 多个公开自然语言处理数据集上模型的少样本性能
（3）定性评估
InstructGPT展现了对于指令的强大泛化能力。作者通过编写多个用例发现，InstructGPT能够遵循非英语语言的指令，进行总结和回答代码相关问题。这些任务在训练数据中仅占很小比例，这表明通过对齐的方法，模型能够生成出未经直接监督学习的行为。相比之下，GPT-3需要经过精心设计的提示才能执行这些任务，并且在代码相关任务以及非英语语言的指令任务等方面表现较弱。
InstructGPT仍然会出现简单的错误。这些错误包括：将错误的假设视为正确，对于简单问题不给出答案或给出多个答案，以及在处理包含多个明确约束的指令时表现不佳。

5. 总结

本研究旨在解决LLM存在的编造事实和生成有害文本等问题，通过基于人类反馈的强化学习方法微调语言模型，使其与人类偏好对齐。实验证明，经过强化学习微调后的模型生成的内容更可信，有害内容减少，对人类指令具有更好的泛化能力。然而，在公开自然语言处理数据集上，模型的性能有所下降，作者将其称为“对齐税”，并通过引入预训练数据来缓解性能下降的问题。未来的研究可以探索更有效的LLM对齐方法，并开发减少“对齐税”的策略。


 

OpenKG


OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。

点击阅读原文，进入 OpenKG 网站。

内容中包含的图片若涉及版权问题，请及时与我们联系删除