最近復(fù)旦大學(xué)自然語(yǔ)言處理組鄭驍慶和黃萱菁團(tuán)隊(duì)提出了基于表征工程（Representation Engineering）的生成式語(yǔ)言大模型人類偏好對(duì)齊方法RAHF（如圖1所示），作為基于人類反饋的強(qiáng)化學(xué)習(xí)算法RLHF[1]的代替方法之一，其性能上超過(guò)其他現(xiàn)有的替代方案，媲美RLHF。實(shí)現(xiàn)較為簡(jiǎn)單，訓(xùn)練時(shí)對(duì)于硬件資源要求也相對(duì)較低。

論 文 內(nèi)容

動(dòng)機(jī)

圖1.不同人類偏好對(duì)齊算法的對(duì)比。(a)人類反饋的強(qiáng)化學(xué)習(xí)算法RLHF；(b)基于對(duì)比學(xué)習(xí)的偏好優(yōu)化方法DPO；(c)基于提示工程的HIR；(d) 基于表征工程的RAHF。

構(gòu)建類似ChatGPT生成式語(yǔ)言大模型一般要經(jīng)過(guò)語(yǔ)言模型、提令精調(diào)和強(qiáng)化學(xué)習(xí)三個(gè)主要訓(xùn)練步驟，其中第三步使用強(qiáng)化學(xué)習(xí)來(lái)實(shí)現(xiàn)人類期望對(duì)齊既有一定的技術(shù)難度，又需要多次人工標(biāo)注反饋，因而實(shí)現(xiàn)上有一定挑戰(zhàn)。經(jīng)過(guò)前兩步語(yǔ)言模型和提令精調(diào)之后，語(yǔ)言大模型仍然會(huì)生成帶有偏見、歧視或者令人不適的回答。為了提升大模型的安全性、可用性和可信性，與人類期望對(duì)齊是必不可少的步驟。然而目前研究表明利用人類反饋的強(qiáng)化學(xué)習(xí)算法[1]（RLHF）存在訓(xùn)練不穩(wěn)定、對(duì)超參數(shù)敏感和訓(xùn)練代價(jià)較高等問(wèn)題。

針對(duì)基于強(qiáng)化學(xué)習(xí)的人類偏好對(duì)齊方法的上述不足，最近提出了一些替代的方法，相關(guān)實(shí)現(xiàn)思路和方法包括：

(1)借助對(duì)比學(xué)習(xí)的方法[2-4]，代表性工作為DPO（Direct preference optimization）[2]，即提高符合人類偏好回復(fù)生成概率的同時(shí)，降低人類滿意度較低回復(fù)的生成概率；

(2)基于提示工程的方法[5-6]，代表性工作為HIR（Hindsight instruction relabeling）[5]，即根據(jù)與人類偏好相符程度，設(shè)計(jì)不同的提示。在推理時(shí)使用匹配人類偏好較高的提示，從而引出更好的回答。

雖然上述方法都是Reward-free的方法（即不需要訓(xùn)練獎(jiǎng)勵(lì)評(píng)估模型），但實(shí)驗(yàn)表明這些替代強(qiáng)化學(xué)習(xí)方法存在容易受到訓(xùn)練集中噪聲樣本的影響（比如：錯(cuò)誤標(biāo)注、Dull Sentences和較短回復(fù)等）。主要原因是它們都是采用在樣本上直接精調(diào)的方式實(shí)現(xiàn)與人類偏好對(duì)齊，因而易受樣本質(zhì)量的影響，而基于人類反饋的強(qiáng)化學(xué)習(xí)算法先訓(xùn)練評(píng)估模型，然后采用評(píng)估模型的評(píng)分來(lái)引導(dǎo)模型的訓(xùn)練過(guò)程。即使訓(xùn)練樣本存在的噪聲，也通過(guò)評(píng)估模型的“過(guò)濾”，對(duì)最終模型不會(huì)產(chǎn)生直接的影響。

方法

為了獲得輕量級(jí)、易實(shí)現(xiàn)和Reward-free的人類偏好對(duì)齊方法，同時(shí)也緩解最終模型受訓(xùn)練樣本中噪聲數(shù)據(jù)的不利影響。受到表征工程Representation Engineering）[7]方面最新進(jìn)展的啟發(fā)，我們提出了RAHF（Representation Alignment from Human Feedback）方法。在神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)權(quán)重決定了隱層表征、隱層表征決定了網(wǎng)絡(luò)輸出、網(wǎng)絡(luò)輸出決定了網(wǎng)絡(luò)行為（如：安全、真實(shí)、偏見等方面）。我們通過(guò)首先發(fā)現(xiàn)模型在生成不同質(zhì)量回復(fù)時(shí)網(wǎng)絡(luò)隱層激發(fā)模式及差異，然后利用差異來(lái)對(duì)模型行為進(jìn)行調(diào)整和操控。具體方法包括以下三個(gè)主要步驟：

(1)使用帶偏好注釋的數(shù)據(jù)集來(lái)讓大型語(yǔ)言模型“感知”人類的偏好；

(2)收集模型在不同偏好“刺激”情況下的隱層激活模式；

(3)利用收集到的激活模式及差異來(lái)調(diào)整模型使其與與人類偏好對(duì)齊。

我們嘗試了兩種方法讓模型“感知”人類偏好：?jiǎn)我荒Ｐ停≧AHF-SCIT）和二元模型（RAHF-DualLLMs）。都取得了不錯(cuò)的結(jié)果，雖然二元模型RAHF-DualLLMs性能更佳，但單一模型RAHF-SCIT實(shí)現(xiàn)更為簡(jiǎn)單，對(duì)硬件資源的要求也更低。

結(jié)果

我們?cè)趯?duì)話任務(wù)上對(duì)進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明所提出的RAHF人類偏好對(duì)齊方法在各項(xiàng)指標(biāo)上都優(yōu)于其他非強(qiáng)化學(xué)習(xí)方法，并取得了與RLHF-PPO相媲美的結(jié)果。如表1所示，在Anthropic-HH數(shù)據(jù)集上相對(duì)于首選回復(fù)的勝率（結(jié)果使用GPT-4進(jìn)行評(píng)判），我們所提出的RAHF-DualLLMs超過(guò)了除RLHF-PPO之外的所有代替方法，并且與RLHF-PPO僅有0.01的差距。表2報(bào)告了在不同生成采樣溫度下，偏好注釋數(shù)據(jù)上我們自己所訓(xùn)練的獎(jiǎng)勵(lì)模型（Reward model）和第三方提供的獎(jiǎng)勵(lì)模型上的各方法的平均得分比較，這些數(shù)據(jù)也與表1的結(jié)果相吻合，并且表現(xiàn)出相似的趨勢(shì)。

表1. 在Anthropic-HH數(shù)據(jù)集上相對(duì)于首選回復(fù)的勝率（結(jié)果使用GPT-4進(jìn)行評(píng)判）。

表2. 在不同生成采樣溫度下，偏好注釋數(shù)據(jù)上所訓(xùn)練的獎(jiǎng)勵(lì)模型（Reward model）和第三方提供的獎(jiǎng)勵(lì)模型上的各方法的平均得分比較。

這項(xiàng)工作我們嘗試了一種受認(rèn)知神經(jīng)科學(xué)理論啟發(fā)的基于表征工程來(lái)實(shí)現(xiàn)生成式語(yǔ)言大模型與人類偏好對(duì)齊的策略，旨在提出一種輕量級(jí)和易實(shí)現(xiàn)的解決方案。目前仍然還有許多可改進(jìn)的空間，我們希望這項(xiàng)研究能夠有助于更可控人工智能技術(shù)的發(fā)展。

審核編輯：劉清