大模型+强化学习_利用AI反馈扩展强化学习

英文名称: RLAIF: Scaling Reinforcement Learning from Human Feedback with AI Feedback
中文名称: RLAIF：利用AI反馈扩展强化学习
链接: http://arxiv.org/abs/2309.00267v2
作者: Harrison Lee, Samrat Phatale, Hassan Mansoor, Thomas Mesnard, Johan Ferret, Kellie Lu, Colton Bishop, Ethan Hall, Victor Carbune, Abhinav Rastogi, Sushant Prakash
机构: Google Research
日期: 2023-09-01

1 读后感

研究使用机器反馈的强化学习（RLAIF）来替代人工反馈的强化学习。该研究主要集中在大模型领域，并通过一系列实验证明了 RLAIF 的适用范围，还介绍了一些具体的方法，是一篇偏实用性的论文。

另外，从另一个角度考虑，许多大型模型（如 Claude3）似乎已经与人类判断相当一致。那么，我们是否可以利用这些模型生成标注数据，训练其他模型？这是否也可以视为一种知识蒸馏？

2 摘要

目标：研究目的是探索使用 RLAIF (RL from AI Feedback (RLAIF) 方法替代 RLHF 方法，以提高大型语言模型与人类偏好的一致性。

方法：方法包括使用 RLAIF 方法，利用现成的大型语言模型生成偏好，比较不同任务下 RLAIF 与 RLHF 的性能，以及直接提示语言模型得分的实验。

结论：实验结果表明，在摘要、有用对话生成和无害对话生成任务中，RLAIF 与 RLHF 相比表现出相当或更好的性能。

3 引言

大规模使用 RLHF 的一个障碍是它依赖于高质量的人类偏好，而一些高质量的 LLMs 已显示出与人类判断高度一致性。

在这项工作中，我们研究了 RLAIF 和 RLHF（见图 2）对三个文本生成任务的影响：摘要、有用的对话生成和无害的对话生成。实验表明，RLAIF 和 RLHF 比 SFT 基线更受人类青睐。这些结果表明，RLAIF 是 RLHF 的可行替代品，它不依赖于人工注释。

大规模使用 RLHF 的一个障碍是它依赖于高质量的人类偏好，而一些高质量的 LLMs 已显示出与人类判断高度一致性。

在这项工作中，我们研究了 RLAIF 和 RLHF（见图 2）对三个文本生成任务的影响：摘要、有用的对话生成和无害的对话生成。实验表明，RLAIF 和 RLHF 比 SFT 基线更受人类青睐。这些结果表明，RLAIF 是 RLHF 的可行替代品，它不依赖于人工注释。

文章主要贡献如下：

在进行摘要、生成有帮助的对话和无害的对话的任务上，RLAIF（强化学习的自适应反馈）达到了与 RLHF（强化学习的人类反馈）相当或更优的性能。
证明，即使 LLM（大型语言模型）标签器的大小与策略相同，RLAIF 也能改进 SFT（安全性精细调整）策略。
发现，在强化学习过程中，直接提示 LLM 进行奖励评分可以优于在 LLM 偏好上训练奖励模型的标准设置。
比较了生成 AI 标签的各种技术，并确定了 RLAIF 实践的最佳设置。

4 方法

4.1 用模型生成偏好标签

调用模型时提示由以下 4 部分组在：

前言 - 介绍说明任务
Few-show 例子（可选）- 一个输入上下文示例，一对响应，链式思考理由（可选）和一个偏好标签
要标注的样本 - 要标记的输入上下文和一对响应
结束 - 提示 LLM（例如，“首选应为=”）的结束文本

在将文本输入给 LLM（大型语言模型）后，我们提取生成“1”和“2”这两个标记的对数概率，并计算 softmax 以获得一个偏好分布（读者注：这里的问题是只能得到两者谁更好，没有程度）。

具体实现时，还考虑到选项的位置可能引起位置偏差，于是交换了选项的前后顺序，并让模型进行两次预测取平均值；另外，通过两步推理过程引入了链式思考。

4.2 利用 AI 反馈强化学习

4.2.1 蒸馏 RLAIF

在这种方法中，首先使用大型语言模型（LLM）为任务标记偏好。然后，这些标记被用来训练一个奖励模型（RM），并将其生成的奖励分数的 softmax 应用交叉熵损失。这种方法生成了软标签（例如 0.6, 0.4），并将 RM 分数转换为概率分布，这可以被视为一种模型蒸馏的形式。以此作为奖励训练策略模型。

4.2.2 直接 RLAIF

另一种方法是直接使用 LLM 反馈作为 RL 中的奖励信号。这使得可以绕过训练 RM 的中间阶段，RM 是用来近似 LLM 的偏好的。LLM 被提示在 1 到 10 之间评价生成的质量。然后，计算每个分数标记在 1 到 10 之间的可能性，可能性被归一化为概率分布，计算加权分数，然后将分数再次归一化到 -1,1 的范围。（读者注：有效解决上面提到的问题）

4.3 评价

使用三个指标评估我们的结果：对齐度、胜率和无害率。

对齐度衡量 AI 标记偏好与人类偏好的一致性；胜率评估是给定一个输入和两个生成，人类注释者选择他们更喜欢的生成，政策 A 优于政策 B 的实例的百分比被称为“A 对 B 的胜率”。50% 的胜率表明 A 和 B 同样受欢迎；无害率衡量被人类评估者认为无害的响应的百分比。

5 实验

5.1 数据

实验数据包含：

Reddit TL;DR：包含 Reddit 帖子及其摘要。
OpenAI 的人类偏好，每个示例包括一篇帖子，两个候选摘要，以及一个人类注释者的评级，指示哪个摘要更受欢迎。
Anthropic 有用和无害的人类偏好：人类与 AI 助手之间的对话，每次对话都有两种可能的 AI 助手回应 - 根据人类注释者的判断，一种是首选，另一种是非首选。偏好基于哪种回应对有用的任务更具信息量和诚实，以及哪种回应对无害的任务更安全。

在下采样和过滤后，每个任务大约有 3-4k 个示例。AI 标签器对齐度指标是在这些下采样的数据集上计算的。

5.2 标注

使用 PaLM 2（Google 等人，2023）作为 LLM 进行偏好标签。使用的版本进行了指令调优，但之前没有经过 RL 训练。

5.3 训练

所有的 SFT 模型和 RM 都从 PaLM 2 ExtraSmall (XS) 初始化。SFT 模型通过在 Reddit TL;DR 数据集上微调得到，而 RM 在对应的偏好数据集上微调。在 RL 阶段，策略采用修改版的 REINFORCE 进行训练，策略和价值模型从 SFT 模型初始化。对于摘要和其他任务，RL 的初始状态分别来自 Reddit TL;DR 数据集和偏好数据集。