ChatGPT如何使用RLHF來克服GPT-3存在的問題

WordChatGPT如何使用RLHF來克服GPT-3存在的問題自ChatGPT發(fā)布以來，已經(jīng)吸引了無數(shù)人一探究竟。但ChatGPT實(shí)際上是如何工作的？盡管它內(nèi)部實(shí)現(xiàn)的細(xì)節(jié)尚未公布，我們卻可以從最近的研究中一窺它的基本原理。

ChatGPT是Open（AI）發(fā)布的（最新）語言模型，比其前身GPT-3有顯著提升。與許多大型語言模型類似，ChatGPT能以不同樣式、不同目的生成文本，并且在準(zhǔn)確度、敘述細(xì)節(jié)和上下文連貫性上具有更優(yōu)的表現(xiàn)。它代表了OpenAI最新一代的大型語言模型，并且在設(shè)計(jì)上非常注重交互性。

OpenAI使用監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的組合來調(diào)優(yōu)ChatGPT，其中的強(qiáng)化學(xué)習(xí)組件使ChatGPT獨(dú)一無二。OpenAI使用了「人類反饋強(qiáng)化學(xué)習(xí)」（RLHF）的訓(xùn)練方法，該方法在訓(xùn)練中使用人類反饋，以最小化無益、失真或偏見的輸出。

本文將剖析GPT-3的局限性及其從訓(xùn)練過程中產(chǎn)生的原因，同時(shí)將解釋RLHF的原理和理解ChatGPT如何使用RLHF來克服GPT-3存在的問題，最后將探討這種方法的局限性。

大型語言模型中的能力與一致性

「一致性vs能力」可以被認(rèn)為是「準(zhǔn)確性vs精確性」的更抽象的類比。

在（機(jī)器學(xué)習(xí)）中，模型的能力是指模型執(zhí)行特定任務(wù)或一組任務(wù)的能力。模型的能力通常通過它能夠優(yōu)化其目標(biāo)函數(shù)的程度來評估。例如，用來預(yù)測股票市場價(jià)格的模型可能有一個(gè)衡量模型預(yù)測準(zhǔn)確性的目標(biāo)函數(shù)。如果該模型能夠準(zhǔn)確預(yù)測股票價(jià)格隨時(shí)間的變化，則認(rèn)為該模型具有很高的執(zhí)行能力。

一致性關(guān)注的是實(shí)際希望模型做什么，而不是它被訓(xùn)練做什么。它提出的問題是「目標(biāo)函數(shù)是否符合預(yù)期」，根據(jù)的是模型目標(biāo)和行為在多大程度上符合人類的期望。假設(shè)要訓(xùn)練一個(gè)鳥類分類器，將鳥分類為「麻雀」或「知更鳥」，使用對數(shù)損失作為訓(xùn)練目標(biāo)，而最終目標(biāo)是很高的分類精度。該模型可能具有較低的對數(shù)損失，即該模型的能力較強(qiáng)，但在測試集上的精度較差，這就是一個(gè)不一致的例子，模型能夠優(yōu)化訓(xùn)練目標(biāo)，但與最終目標(biāo)不一致。

原始的GPT-3就是非一致模型。類似GPT-3的大型語言模型都是基于來自互聯(lián)網(wǎng)的大量文本數(shù)據(jù)進(jìn)行訓(xùn)練，能夠生成類似人類的文本，但它們可能并不總是產(chǎn)生符合人類期望的輸出。事實(shí)上，它們的目標(biāo)函數(shù)是詞序列上的概率分布，用來預(yù)測序列中的下一個(gè)單詞是什么。

但在實(shí)際應(yīng)用中，這些模型的目的是執(zhí)行某種形式的有價(jià)值的認(rèn)知工作，并且這些模型的訓(xùn)練方式與期望使用它們的方式之間存在明顯的差異。盡管從數(shù)學(xué)上講，機(jī)器計(jì)算詞序列的統(tǒng)計(jì)分布可能是建模語言的高效選擇，但人類其實(shí)是通過選擇最適合給定情境的文本序列來生成語言，并使用已知的背景知識(shí)和常識(shí)來輔助這一過程。當(dāng)語言模型用于需要高度信任或可靠性的應(yīng)用程序（如對話系統(tǒng)或（智能）個(gè)人助理）時(shí)，這可能是一個(gè)問題。

盡管這些基于大量數(shù)據(jù)訓(xùn)練的大模型在過去幾年中變得極為強(qiáng)大，但當(dāng)用于實(shí)際以幫助人們生活更輕松時(shí)，它們往往無法發(fā)揮潛力。大型語言模型中的一致性問題通常表現(xiàn)為：

提供無效幫助：沒有遵循用戶的明確指示。

內(nèi)容胡編亂造：虛構(gòu)不存在或錯(cuò)誤事實(shí)的模型。

缺乏可解釋性：人們很難理解模型是如何得出特定決策或預(yù)測的。

內(nèi)容偏見有害：一個(gè)基于有偏見、有害數(shù)據(jù)訓(xùn)練的語言模型可能會(huì)在其輸出中出現(xiàn)這種情況，即使它沒有明確指示這樣做。

但具體來說，一致性問題源自何處？語言模型的訓(xùn)練方式本身就容易產(chǎn)生不一致嗎？

語言模型訓(xùn)練策略如何產(chǎn)生不一致？

Next-token-predic（ti）on和masked-language-modeling是用于訓(xùn)練語言模型的核心技術(shù)。在第一種方法中，模型被給定一個(gè)詞序列作為輸入，并被要求預(yù)測序列中的下一個(gè)詞。如果為模型提供輸入句子：

“Thecatsatonthe”

它可能會(huì)將下一個(gè)單詞預(yù)測為「mat」、「chair」或「floor」，因?yàn)樵谇懊娴纳舷挛闹?，這些單詞出現(xiàn)的概率很高；語言模型實(shí)際上能夠評估給定先前序列的每個(gè)可能詞的可能性。

masked-language-modeling方法是Next-token-prediction的變體，其中輸入句子中的一些詞被替換為特殊token，例如[MASK]。然后，模型被要求預(yù)測應(yīng)該插入到mask位置的正確的詞。如果給模型一個(gè)句子：

“The[MASK]satonthe”

它可能會(huì)預(yù)測MASK位置應(yīng)該填的詞是「cat」、「dog」。

這些目標(biāo)函數(shù)的優(yōu)點(diǎn)之一是，它允許模型學(xué)習(xí)語言的統(tǒng)計(jì)結(jié)構(gòu)，例如常見的詞序列和詞使用模式。這通常有助于模型生成更自然、更流暢的文本，并且是每個(gè)語言模型預(yù)訓(xùn)練階段的重要步驟。

然而這些目標(biāo)函數(shù)也可能導(dǎo)致問題，這主要是因?yàn)槟Ｐ蜔o法區(qū)分重要錯(cuò)誤和不重要錯(cuò)誤。一個(gè)非常簡單的例子是，如果給模型輸入句子：

"The（Rom）anEm（pi）re[MASK]withthereignofAugustus."

它可能會(huì)預(yù)測MASK位置應(yīng)該填入「began」或「ended」，因?yàn)檫@兩個(gè)詞的出現(xiàn)概率都很高。

一般來說，這些訓(xùn)練策略可能會(huì)導(dǎo)致語言模型在一些更復(fù)雜的任務(wù)中出現(xiàn)不一致，因?yàn)橐粋€(gè)僅被訓(xùn)練來預(yù)測文本序列中的下一個(gè)詞的模型可能不一定會(huì)學(xué)習(xí)其含義的某些更高級(jí)表征。因此，該模型很難推廣到需要對語言更深入理解的任務(wù)。

研究人員正研究各種方法來解決大型語言模型中的一致性問題。ChatGPT基于最初的GPT-3模型，但為了解決模型的不一致問題，使用了人類反饋來指導(dǎo)學(xué)習(xí)過程，對其進(jìn)行了進(jìn)一步訓(xùn)練。所使用的具體技術(shù)就是前面提到的RLHF。ChatGPT是第一個(gè)將此技術(shù)用于實(shí)際場景的模型。

那ChatGPT是如何利用人類反饋來解決一致性問題的呢？

從人類反饋中進(jìn)行強(qiáng)化學(xué)習(xí)

方法總體上包括三個(gè)不同步驟：

有監(jiān)督的調(diào)優(yōu)：預(yù)訓(xùn)練的語言模型在少量已標(biāo)注的數(shù)據(jù)上進(jìn)行調(diào)優(yōu)，以學(xué)習(xí)從給定的prompt列表生成輸出的有監(jiān)督的策略（即SFT模型）；

（模擬）人類偏好：標(biāo)注者們對相對大量的SFT模型輸出進(jìn)行投票，這就創(chuàng)建了一個(gè)由比較數(shù)據(jù)組成的新數(shù)據(jù)集。在此數(shù)據(jù)集上訓(xùn)練新模型，被稱為訓(xùn)練回報(bào)模型（RewardModel，RM）；

近端策略優(yōu)化（PPO）：RM模型用于進(jìn)一步調(diào)優(yōu)和改進(jìn)SFT模型，PPO輸出結(jié)果是的策略模式。

步驟1只進(jìn)行一次，而步驟2和步驟3可以持續(xù)重復(fù)進(jìn)行：在當(dāng)前最佳策略模型上收集更多的比較數(shù)據(jù)，用于訓(xùn)練新的RM模型，然后訓(xùn)練新的策略。接下來，將對每一步的細(xì)節(jié)進(jìn)行詳述。

步驟1：監(jiān)督調(diào)優(yōu)模型

第一步是收集數(shù)據(jù)，以訓(xùn)練有監(jiān)督的策略模型。

數(shù)據(jù)收集：選擇一個(gè)提示列表，標(biāo)注人員按要求寫下預(yù)期的輸出。對于ChatGPT，使用了兩種不同的prompt來源：一些是直接使用標(biāo)注人員或研究人員準(zhǔn)備的，另一些是從OpenAI的API請求（即從GPT-3用戶那里）獲取的。雖然整個(gè)過程緩慢且昂貴，但最終得到的結(jié)果是一個(gè)相對較小、高質(zhì)量的數(shù)據(jù)集（大概有12-15k個(gè)數(shù)據(jù)點(diǎn)），可用于調(diào)優(yōu)預(yù)訓(xùn)練的語言模型。

模型選擇：ChatGPT的開發(fā)人員選擇了GPT-3.5系列中的預(yù)訓(xùn)練模型，而不是對原始GPT-3模型進(jìn)行調(diào)優(yōu)。使用的基線模型是（最新版）的（te）xt-davinci-003（通過對（程序代碼）調(diào)優(yōu)的GPT-3模型）。

為了創(chuàng)建像ChatGPT這樣的通用聊天（機(jī)器人），開發(fā)人員是在「代碼模型」而不是純文本模型之上進(jìn)行調(diào)優(yōu)。

由于此步驟的數(shù)據(jù)量有限，該過程獲得的SFT模型可能會(huì)輸出仍然并非用戶關(guān)注的文本，并且通常會(huì)出現(xiàn)不一致問題。這里的問題是監(jiān)督學(xué)習(xí)步驟具有高可擴(kuò)展性成本。

為了克服這個(gè)問題，使用的策略是讓人工標(biāo)注者對SFT模型的不同輸出進(jìn)行排序以創(chuàng)建RM模型，而不是讓人工標(biāo)注者創(chuàng)建一個(gè)更大的精選數(shù)據(jù)集。

第二步：訓(xùn)練回報(bào)模型

這一步的目標(biāo)是直接從數(shù)據(jù)中學(xué)習(xí)目標(biāo)函數(shù)。該函數(shù)的目的是為SFT模型輸出進(jìn)行打分，這代表這些輸出對于人類來說可取程度有多大。這強(qiáng)有力地反映了選定的人類標(biāo)注者的具體偏好以及他們同意遵循的共同準(zhǔn)則。最后，這個(gè)過程將從數(shù)據(jù)中得到模仿人類偏好的系統(tǒng)。

它的（工作原理）是：

選擇prompt列表，SFT模型為每個(gè)prompt生成多個(gè)輸出（4到9之間的任意值）；

標(biāo)注者將輸出從最佳到最差排序。結(jié)果是一個(gè)新的標(biāo)簽數(shù)據(jù)集，該數(shù)據(jù)集的大小大約是用于SFT模型的精確數(shù)據(jù)集的10倍；

此新數(shù)據(jù)用于訓(xùn)練RM模型。該模型將SFT模型輸出作為輸入，并按優(yōu)先順序?qū)λ鼈冞M(jìn)行排序。

對于標(biāo)注者來說，對輸出進(jìn)行排序比從頭開始打標(biāo)要容易得多，這一過程可以更有效地?cái)U(kuò)展。在實(shí)踐中，所選擇的prompt的數(shù)量大約為30-40k，并且包括排序輸出的不同組合。

步驟3：使用PPO模型微調(diào)SFT模型

這一步里強(qiáng)化學(xué)習(xí)被應(yīng)用于通過優(yōu)化RM模型來調(diào)優(yōu)SFT模型。所使用的特定（算法）稱為近端策略優(yōu)化（PPO），而調(diào)優(yōu)模型稱為近段策略優(yōu)化模型。

什么是PPO？該算法的主要特點(diǎn)如下：

PPO是一種用于在強(qiáng)化學(xué)習(xí)中訓(xùn)練agent的算法。它被稱為「on-policy」算法，因?yàn)樗苯訉W(xué)習(xí)和更新當(dāng)前策略，而不是像DQN的「off-policy」算法那樣從過去的經(jīng)驗(yàn)中學(xué)習(xí)。PPO根據(jù)agent所采取的行動(dòng)和所獲得的回報(bào)不斷調(diào)整策略；

PPO使用「信任區(qū)域優(yōu)化」方法來訓(xùn)練策略，它將策略的更改范圍限制在與先前策略的一定程度內(nèi)以保證穩(wěn)定性。這與其它策略使用梯度方法形成鮮明對比，梯度方法有時(shí)會(huì)對策略進(jìn)行大規(guī)模更新，從而破壞策略的穩(wěn)定性；

PPO使用價(jià)值函數(shù)來估計(jì)給定狀態(tài)或動(dòng)作的預(yù)期回報(bào)。價(jià)值函數(shù)用于計(jì)算優(yōu)勢函數(shù)，它代表預(yù)期收益和當(dāng)前收益之間的差異。然后使用優(yōu)勢函數(shù)通過比較當(dāng)前策略采取的操作與先前策略將采取的操作來更新策略。這使PPO可以根據(jù)所采取行動(dòng)的估計(jì)價(jià)值對策略進(jìn)行更明智的更新。

在這一步中，PPO模型由SFT模型初始化，價(jià)值函數(shù)由RM模型初始化。該環(huán)境是一個(gè)「banditenvironment」，它會(huì)產(chǎn)生隨機(jī)prompt并期望對prompt做出響應(yīng)。對于給定的prompt和響應(yīng)，它會(huì)產(chǎn)生相應(yīng)的回報(bào)（由RM模型決定）。SFT模型會(huì)對每個(gè)token添加KL懲罰因子，以盡量避免RM模型的過度優(yōu)化。

性能評估

因?yàn)槟Ｐ褪歉鶕?jù)人工標(biāo)注的輸入進(jìn)行訓(xùn)練的，所以評估的核心部分也