【新智元導讀】ChatGPT 橫空出世后，RLHF 成為研究人員關注的焦點。谷歌最新研究提出，不用人類標注，AI 標注偏好后，也能取得與 RLHF 一樣的效果。

如果說，RLHF 中的「人類」被取代，可行嗎？

谷歌團隊的最新研究提出了，用大模型替代人類，進行偏好標注，也就是 AI 反饋強化學習（RLAIF）。

結(jié)果發(fā)現(xiàn)，RLAIF 可以在不依賴人類標注員的情況下，產(chǎn)生與 RLHF 相當?shù)母倪M效果，勝率 50%。

同時，谷歌研究再次證明了 RLAIF 和 RLHF，比起監(jiān)督微調(diào)（SFT）勝率都超過了 70%。

如今，大型語言模型訓練中一個關鍵部分便是 RLHF。人類通過對 AI 輸出的質(zhì)量進行評級，讓回應更加有用。

但是，這需要付出很多的努力，包括讓許多標注人員暴露在 AI 輸出的有害內(nèi)容中。

既然 RLAIF 能夠與 RLHF 相媲美，未來模型不需要人類反饋，也可以通過自循環(huán)來改進。

RLHF 不需要人類了

當前，RLHF 已經(jīng)成為微調(diào)大模型的核心方法，包括 ChatGPT、Bard 等模型都采用這一范式。

具體來說，RLHF 分為三步：預訓練一個監(jiān)督微調(diào) LLM；收集數(shù)據(jù)訓練一個獎勵模型；用 RL 微調(diào)模型。

有了 RLHF，大模型可以針對復雜的序列級目標進行優(yōu)化，而傳統(tǒng)的 SFT 很難區(qū)分這些目標。

然而，一個非常現(xiàn)實的問題是，RLHF 需要大規(guī)模高質(zhì)量的人類標注數(shù)據(jù)，另外這些數(shù)據(jù)能否可以取得一個優(yōu)勝的結(jié)果。

在谷歌這項研究之前，Anthropic 研究人員是第一個探索使用 AI 偏好來訓練 RL 微調(diào)的獎勵模型。

他們首次在「Constitutional AI」中提出了 RLAIF，發(fā)現(xiàn) LLM 與人類判斷表現(xiàn)出高度一致，甚至在某些任務上，表現(xiàn)優(yōu)于人類。

但是，這篇研究沒有將人類與人工智能反饋做對比，因此，RLAIF 是否可以替代 RLHF 尚未得到終極答案。

谷歌最新研究，主要就是解決這個問題。

研究人員在模型摘要任務中，直接比較了 RLAIF 和 RLHF。

給定 1 個文本和 2 個候選答案，使用現(xiàn)成的 LLM 給出一個偏好標注。

然后，根據(jù) LLM 偏好和對比損失訓練獎勵模型（RM）。最后，通過強化學習微調(diào)策略模型，利用獎勵模型給出獎勵。

那么，谷歌與 Anthropic 提出的 RLAIF 方法有什么不同？

谷歌自己在文中解釋道，

- 谷歌：根據(jù) AI 標注的偏好訓練獎勵模型，然后進行 RL 微調(diào)。

- Constitutional AI：通過迭代，要求 LLM 根據(jù)憲法生成更好的響應，來改進監(jiān)督學習模型。

AI 自標注，自我改進

谷歌在最新研究中提出的 RLAIF 方法，過程是怎樣的？

大語言模型進行偏好標注

研究人員用「現(xiàn)成的」LLM 來標注對兩個候選項之間的偏好。

這是一個針對一般用途進行預訓練或指令調(diào)整的模型，但未針對特定下游任務進行微調(diào)。給定一段文本和兩個候選摘要，LLM 被要求評價哪個摘要更好。LLM 的輸入結(jié)構(gòu)如下：

1. 序言

介紹和描述手頭任務的說明

2. 多個樣本實例（可選）

一段文本、一對摘要、思路的基本原理和偏好判斷

3.要標注的樣本

一段文本和一對要標注的摘要

4.結(jié)尾

提示 LLM 的結(jié)束字符串（例如「Preferred Summary=」）

在給 LLM 提供輸入后，研究人員獲得生成 token「1」和「2」的對數(shù)概率，并計算 softmax 以獲得偏好分布。

從 LLM 獲取偏好標注的方法有很多，例如從模型中解碼自由形式的響應并啟發(fā)式地提取偏好（例如：output=「the first summary is better」），或者將偏好分布表示為單熱表示 (one-hot representation)。然而，研究人員沒有嘗試這些替代方案，因為他們的方法已經(jīng)產(chǎn)生了很高的準確性。

研究人員試驗了兩種類型的序言：第一種是「Base」，它簡單地詢問「哪個摘要更好？」，第二種是「OpenAI」，它模仿了生成 OpenAI TL;DR 偏好數(shù)據(jù)集的人類偏好標注器的評級指令，包含有關構(gòu)成強摘要的詳細信息。如下圖所示。

研究人員還通過在提示中添加少量樣本來嘗試上下文學習，其中手動選擇樣本來涵蓋不同的主題。解決位置偏差。

之前的研究結(jié)果表明，向 LLM 展示候選項的順序可能會影響 LLM 判斷更喜歡的候選項。研究人員發(fā)現(xiàn)證據(jù)表明存在這種位置偏差，尤其是對于較小尺寸的標注 LLM 。

為了減輕偏好標注中的位置偏差，研究人員對每對候選項進行兩次推理，候選項提交給 LLM 的順序二次推理是相反的。然后對兩個推推理的結(jié)果進行平均以獲得最終的偏好分布。

思維鏈推理

研究人員嘗試從 AI 標注器中引出思維鏈 (COT) 推理，以提高與人類偏好的一致性。

研究人員替換標準的結(jié)尾提示（例如將「Preferred Summary=」替換為「Consider the coherence, accuracy, coverage, and over-all quality of each summary and explain which one is better. Rationale：」），然后解碼一個 LLM 的回復。

最后，研究人員將原始提示、響應和原始結(jié)尾字符串“Preferred Summary=”連接在一起，并按照第 3.1 節(jié)中的評分過程來獲得偏好分布。具體過程見下圖。

在零樣本提示中，LLM 沒有給出推理應該是什么樣子的示例，而在少量樣本提示中，研究人員提供了模型要遵循的 COT 推理示例。示例請參見下圖。

自洽性（Self-Consistency）

對于思維鏈提示，研究人員還嘗試了自洽性 —— 一種通過對多個推理路徑進行采樣并聚合每個路徑末尾產(chǎn)生的最終答案來改進思維鏈推理的技術。

使用非零解碼溫度（non-zero decoding temperature）對多個思維鏈基本原理進行采樣，然后按照上一節(jié)中的方法獲得每個思維鏈的 LLM 偏好分布。然后對結(jié)果進行平均以獲得最終的偏好分布。

AI 反饋的強化學習

在 LLM 對偏好進行標注后，將訓練獎勵模型 (RM) 來預測偏好。由于研究人員的方法產(chǎn)生軟標注（Soft Label），他們采用 RM 生成的獎勵分數(shù)的 softmax 的交叉熵損失（cross-entropy loss），而不是獎勵模型中提到的損失。

Softmax 將 RM 的無界分數(shù)（unbounded scores）轉(zhuǎn)換為概率分布。

在 AI 標注數(shù)據(jù)集上訓練 RM 可以被視為模型蒸餾的一種形式，特別是因為研究人員的 AI 標注器通常比 RM 更大、更強。

另一種方法是繞過 RM 并直接使用 AI 反饋作為 RL 中的獎勵信號，盡管這種方法的計算成本更高，因為 AI 標注器比 RM 更大。

通過經(jīng)過訓練的 RM，研究人員使用適用于語言建模領域的 Advantage Actor Critic (A2C) 算法的修改版本進行強化學習。

評價

研究人員通過三個指標評估他們的結(jié)果 - AI 標注器對齊、配對準確度和勝率。

AI 標注器對齊時用來衡量 AI 標注偏好相對于人類偏好的準確性。

對于單個示例，將軟人工智能標注的偏好轉(zhuǎn)換為二進制表示。如果標注與目標人類偏好一致則分配 1，否則分配 0。

配對準確性是衡量經(jīng)過訓練的獎勵模型相對于一組保留的人類偏好的準確性。

給定共享上下文和一對候選響應，如果根據(jù)人類標注，RM 對首選候選的評分高于非首選候選，則配對準確度為 1。否則該值為 0。該數(shù)量是多個示例的平均值，以衡量 RM 的總體精度。

勝率通過衡量人類更喜歡一項策略頻率來評估兩項策略的端到端質(zhì)量。

給定一個輸入和兩次生成結(jié)果，人類標注者選擇首選哪一個生成結(jié)果。策略 A 優(yōu)于策略 B 的實例百分比稱為「A 對 B 的勝率」。

實驗細節(jié)

研究人員使用由 OpenAI 管理的經(jīng)過過濾的 Reddit TL;DR 數(shù)據(jù)集。TL;DR 包含來自 Reddit 的約 300 萬個帖子，涉及各種主題（也稱為「subreddits」）以及原作者撰寫的帖子摘要。

數(shù)據(jù)還經(jīng)過 OpenAI 過濾，以確保高質(zhì)量，其中包括使用普通大眾可以理解的 Reddit 主題白名單。

此外，僅包含摘要中含有 24 到 48 個標注的帖子。過濾后的數(shù)據(jù)集包含 123,169 個帖子，其中約 5% 作為驗證集。

有關數(shù)據(jù)集的更多詳細信息可以在原始論文中找到。此外，OpenAI 從過濾后的 TL;DR 數(shù)據(jù)集中整理了一個人類偏好數(shù)據(jù)集。

對于給定的帖子，根據(jù)不同的策略生成兩個候選摘要，并要求標注器對他們喜歡的摘要進行評分?？倲?shù)據(jù)集包含大約 92k 成對比較。

LLM 標注

為了評估 AI 標注技術的有效性（例如提示、自洽性），研究人員從 TL;DR 偏好數(shù)據(jù)集中選擇示例，其中人類標注者會偏好置信度更高的摘要。

研究人員在數(shù)據(jù)集訓練分割的隨機 15% 子集上評估 AI 標注器對齊，以實現(xiàn)更快的實驗迭代，生成 2851 個評估示例。

對于獎勵模型訓練，TL;DR 偏好數(shù)據(jù)集的完整訓練分割由 LLM 標注并用于訓練，無論置信度分數(shù)如何。

模型訓練

研究人員使用 PaLM 2 Extra-Small (XS) 作為初始檢查點，在 OpenAI 過濾后的 TL;DR 數(shù)據(jù)集上訓練 SFT 模型。

然后，研究人員從 SFT 模型初始化 RM，并在 OpenAI 的 TL;DR 人類偏好數(shù)據(jù)集上訓練它們。

對于表 1 和 5.1 中的結(jié)果，研究人員使用 PaLM 2L 生成 AI 標注的偏好，使用「OpenAI + COT 0-shot」提示（，沒有自洽性，然后在完整的偏好上訓練 RM 數(shù)據(jù)集。

對于強化學習，研究人員使用 Advantage Actor Critic (A2C) 來訓練策略。策略和價值模型都是從 SFT 模型初始化的。研究人員使用過濾后的 Reddit TL;DR 數(shù)據(jù)集作為初始狀態(tài)來推出他們的策略。

人類評估

研究人員收集了 1200 個人類評級來評估 RLHF 和 RLAIF 策略。對于每項評級任務，評估人員都會收到一篇帖子和 4 個根據(jù)不同策略（RLAIF、RLHF、SFT 和人類參考各一個）生成的摘要，并要求按照質(zhì)量順序?qū)λ鼈冞M行排名，不存在任何聯(lián)系。

帖子取自 TL;DR 監(jiān)督微調(diào)數(shù)據(jù)集的保留集，該數(shù)據(jù)集未用于任何其他評估。一旦收集了這些排名，就可以計算任意兩項策略的勝率。

勝率 50%，打平手

RLAIF vs. RLHF

文章開篇，已經(jīng)介紹了谷歌將 RLAIF 與 RLHF 相比較的優(yōu)勢，結(jié)果表明，兩種方法有著相似的性能。

具體來說，與基線 SFT 相比較，在 71% 的情況下，人類評估者更喜歡 RLAIF。73% 的情況下，RLHF 優(yōu)于 SFT。

研究人員還直接比較了 RLAIF 和 RLHF 的勝率，發(fā)現(xiàn)它們受歡迎程度是等同的 —— 即勝率都是 50%。

為了進一步了解這兩種策略的差異，谷歌對其生成的摘要進行了定性比較。

另外，他們還將 RLAIF 和 RLHF 摘要與人工編寫的參考摘要進行比較。79% 的情況下，RLAIF 生成的摘要優(yōu)于參考摘要，80% 的情況下，RLHF 結(jié)果優(yōu)于參考摘要。

可見，RLAIF 和 RLHF 與參考摘要之間的勝率只差 1%，并沒有顯著的差異。

值得注意的是，研究人員還發(fā)現(xiàn)，RLHF 策略出現(xiàn)幻覺的頻率，往往高于 RLAIF，如上表紅色標注的文字。

在控制摘要長度后，RLAIF 和 RLHF 策略仍然優(yōu)于基線 SFT，并取得了相似的勝率。

這些結(jié)果表明，RLAIF 不需要依賴于人工標注，是 RLHF 的可行替代方案。

提示技巧

在使用提示技巧中，谷歌團隊嘗試了三種類型的提示技術，preamble specificity、CoT、少樣本上下文學習。

結(jié)果發(fā)現(xiàn)，通過詳細的 OpenAI 序言進行提示，并進行 CoT 推理，AI 標注器可以取得 78% 的一致性。

而情境學習不會提高準確性，甚至可能會使準確性變得更糟。

自洽性

研究人員使用 4 和 16 個樣本進行自洽性實驗，解碼溫度為 1。

以 T = 1 對多個思維鏈原理進行采樣，結(jié)果與人類偏好的一致性較低。

大模型標注器的規(guī)模

研究還發(fā)現(xiàn)，擴大大模型標注器的參數(shù)規(guī)模，可能會產(chǎn)生更高質(zhì)量的偏好標注。

偏好示例數(shù)量

獎勵模型的準確性如何隨訓練示例進行變化？

研究人員發(fā)現(xiàn)，需要經(jīng)過數(shù)千個示例訓練后，獎勵模型的性能接近于完整數(shù)據(jù)集的訓練。

結(jié)論

研究人員證明了 RLAIF 可以在不依賴人類標注者的情況下產(chǎn)生與 RLHF 相當?shù)母倪M。

雖然這項工作凸顯了 RLAIF 的潛力，但依然有一些局限性。

首先，這項研究僅探討了總結(jié)任務，關于其他任務的泛化性還需要進一步研究。

其次，研究人員沒有估計 LLM 推理在經(jīng)濟成本上是否比人工標注更有優(yōu)勢。

此外，還有一些有趣的問題值得研究，例如 RLHF 與 RLAIF 相結(jié)合是否可以優(yōu)于單一的一種方法，使用 LLM 直接分配獎勵的效果如何，改進 AI 標注器對齊是否會轉(zhuǎn)化為改進的最終策略，以及是否使用 LLM 與策略模型大小相同的標注器可以進一步改進策略（即模型是否可以「自我改進」）。

網(wǎng)友熱議

谷歌發(fā)表了兩篇關于 RL 的論文：

1. RLAIF：訓練與人類反饋類似的獎勵模型

2. ReST：使用生成模型促進自訓練將這兩篇論文結(jié)合起來，可以滿足那些對數(shù)據(jù)饑渴的人工智能算法

半個月前，谷歌 DeepMind 剛剛提出了一個新算法 ReST，為了使大規(guī)模語言模型與人類偏好保持一致。

具體通過離線強化學習方法，改進大型語言模型的翻譯質(zhì)量，以更好地符合人類偏好。

一位研究人員表示，根據(jù)定性測試，Anthropic 的 Claude 模型似乎比 GPT-4 弱。這可能是 RLHF / RLAIF 方法或預訓練造成的。目前還不清楚這些方法在實際應用中的泛化效果是否更好，即使它們在學術基準上的表現(xiàn)更好。

我不會說這降低了人工標注的重要性，但有一點可以肯定，人工智能反饋的 RL 可以降低成本。人工標注對于泛化仍然極其重要，而 RLHF+RLAIF 混合方法比任何單一方法都要好。

大部分網(wǎng)友認為論文是很大的突破，但也有網(wǎng)友覺得這和 Anthropic 在幾個月前提出的 Constitute Claude 中的 RLAIF 似乎沒有本質(zhì)的區(qū)別。

參考資料：

• https://arxiv.org/abs/2309.00267

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。