Text-to-SQL小白入门（八）RLAIF论文：AI代替人类反馈的强化学习-编程知识

学习RLAIF论文前，可以先学习一下基于人类反馈的强化学习RLHF，相关的微调方法（比如强化学习系列RLHF、RRHF、RLTF、RRTF）的论文、数据集、代码等汇总都可以参考GitHub项目：GitHub - eosphoros-ai/Awesome-Text2SQL: Curated tutorials and resources for Large Language Models, Text2SQL, and more.，这个项目收集了Text2SQL+LLM领域的相关简介、综述、经典Text2SQL方法、基础大模型、微调方法、数据集、实践项目等等，持续更新中！

（如果觉得对您有帮助的话，可以star、fork，有问题、建议也可以提issue、pr，欢迎围观）

论文概述

基本信息

英文标题：RLAIF: Scaling Reinforcement Learning from Human Feedback with AI Feedback
中文标题：RLAIF:利用人工智能反馈扩展基于人类反馈的强化学习
发表时间：2023年9月
作者单位：Google Research
论文链接：https://arxiv.org/pdf/2309.00267.pdf
代码链接：无

摘要

摘要生成任务有效，其他任务比如Text2SQL任务是否有效呢？

基于人类反馈的强化学习(RLHF)在将大型语言模型(llm)与人类偏好对齐方面是有效的，但收集高质量的人类偏好标签是一个关键瓶颈。
作者提出了RLAIF（利用AI反馈代替人类反馈），并且和RLHF进行对比，结果如下：
在摘要生成任务（summarization task）中，在约70%的情况下，人类评估者更喜欢来自RLAIF和RLHF的结果，而不是SFT模型。
此外，当被要求对RLAIF和RLHF摘要进行评分时，人类对两者的偏好率相同。
这些结果表明，RLAIF可以产生人类水平的性能，为RLHF的可扩展性限制提供了一个潜在的解决方案。

数据可以让AI生成，评估也可以让AI评估，AI for anything

结果

上结果，有图有真相

结果表明，RLAIF达到了与RLHF相似的性能。（人类打分，人类评估谁更好）

RLHF 和 SFT 相比，RLHF有73%的情况更优秀
RLAIF 和 SFT 相比，RLAIF有71%的情况更优秀
RLHF 和 RLAIF 相比，RLHF有50%的情况下更优秀，也就是两者五五开。

碰巧还发现了一个论文的笔误，结果应该是论文中的图1，论文写的是表1。

论文还比较了RLHF和RLAIF分别和人类撰写的参考摘要。

RLAIF摘要在79%的情况下优于参考摘要。
RLHF摘要在80%的情况下优于参考摘要。

结果表明，RLAIF和RLHF策略倾向于生成比SFT策略更长的摘要，这可以解释一些质量改进。

但在控制长度后，两者的表现仍然优于SFT策略。

结论

证明了AI反馈的潜力

在这项工作中，论文证明了RLAIF可以在不依赖于人类注释者的情况下产生与RLHF相当的改进。

论文的实验表明，RLAIF在SFT基线上有很大的改进，改进幅度与RLHF相当。

在头对头比较中（head-to-head comparision，两者单挑的意思），人类对RLAIF和RLHF的偏好率相似。

还是有一些局限性。

比如任务是否可以推广到其他任务（和前面的摘要想法一样）

AI反馈和人工反馈的成本

RLHF+RAIF 结合是不是更好

等等

核心方法

贡献点

摘要任务上：RLAIF达到了和RLHF相当的性能
比较了各种AI 标签的技术，确定了最佳设置

RLHF

RLHF三部曲

SFT

RM

RL

SFT——提取专家知识

Supervised Fine-tuning有监督微调，简称为SFT。

SFT的数据通常是高质量的标注数据，比如基于LLM完成Text2SQL任务的话，数据集可以构造为如下形式：

以spider数据集示例：使用DB-GPT-Hub项目中预处理得到下面类似的数据：

{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","output": "SELECT count(*) FROM head WHERE age  >  56"}

我们可以做个测试，把prompt输入到ChatGPT-3.5中，如下：可以发现这个和标准的SQL一致，这个SQL属于比较简单的那种。

RM——类似于loss function

Reward Modeling 奖励模型，简称RM训练，最终目标就是训练一个模型，这个模型可以对LLM生成的response进行打分，得分高，代表response回答比较好。

RM的训练数据通常来说比SFT训练数据少，之前看见个例子说SFT数据占60%， RM数据占20%， RL数据占20%.

同样的，我们还是以Text2SQL任务举例子，RM数据可以构造为（prompt，chosen，rejected}的三元组，如下所示：

chosen数据就是SFT的标准输出，groundtruth
rejected数据通常来源于SFT 模型的错误输出，也就是bad case

{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","chosen": "SELECT count(*) FROM head WHERE age  >  56","rejected":"SELECT COUNT(head_name) FROM head WHERE age > 56;"}

损失函数如下形式：

这里的x就是输入prompt
y_w就是chosen data
y_l就是rejected data

RL——引入强化学习方法

Reinforcement Learning 强化学习，简称为RL，就是利用强化学习的方法训练一个模型，使得奖励分数最高。

如下所示：

优化分数最大使用的是max
使用了KL散度，让训练的RL模型和原始模型差距不能过大

同样的，我们还是以Text2SQL任务举例子，RL数据可以构造为（prompt，output}的三元组，如下所示：

数据形式和SFT阶段保持一致
SFT阶段训练的数据，不应和RL数据重叠。

{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","output": "SELECT count(*) FROM head WHERE age  >  56"}