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

論 文 內(nèi)容

動機

圖1.不同人類偏好對齊算法的對比。(a)人類反饋的強化學(xué)習(xí)算法RLHF；(b)基于對比學(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生成式語言大模型一般要經(jīng)過語言模型、提令精調(diào)和強化學(xué)習(xí)三個主要訓(xùn)練步驟，其中第三步使用強化學(xué)習(xí)來實現(xiàn)人類期望對齊既有一定的技術(shù)難度，又需要多次人工標注反饋，因而實現(xiàn)上有一定挑戰(zhàn)。經(jīng)過前兩步語言模型和提令精調(diào)之后，語言大模型仍然會生成帶有偏見、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化學(xué)習(xí)算法[1]（RLHF）存在訓(xùn)練不穩(wěn)定、對超參數(shù)敏感和訓(xùn)練代價較高等問題。

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

(1)借助對比學(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，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)計不同的提示。在推理時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)練獎勵評估模型），但實驗表明這些替代強化學(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：錯誤標注、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)的方式實現(xiàn)與人類偏好對齊，因而易受樣本質(zhì)量的影響，而基于人類反饋的強化學(xué)習(xí)算法先訓(xùn)練評估模型，然后采用評估模型的評分來引導(dǎo)模型的訓(xùn)練過程。即使訓(xùn)練樣本存在的噪聲，也通過評估模型的“過濾”，對最終模型不會產(chǎn)生直接的影響。

方法

為了獲得輕量級、易實現(xiàn)和Reward-free的人類偏好對齊方法，同時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、偏見等方面）。我們通過首先發(fā)現(xiàn)模型在生成不同質(zhì)量回復(fù)時網(wǎng)絡(luò)隱層激發(fā)模式及差異，然后利用差異來對模型行為進行調(diào)整和操控。具體方法包括以下三個主要步驟：

(1)使用帶偏好注釋的數(shù)據(jù)集來讓大型語言模型“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調(diào)整模型使其與與人類偏好對齊。

我們嘗試了兩種方法讓模型“感知”人類偏好：單一模型（RAHF-SCIT）和二元模型（RAHF-DualLLMs）。都取得了不錯的結(jié)果，雖然二元模型RAHF-DualLLMs性能更佳，但單一模型RAHF-SCIT實現(xiàn)更為簡單，對硬件資源的要求也更低。

結(jié)果

我們在對話任務(wù)上對進行了對比實驗。實驗結(jié)果表明所提出的RAHF人類偏好對齊方法在各項指標上都優(yōu)于其他非強化學(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)集上相對于首選回復(fù)的勝率（結(jié)果使用GPT-4進行評判），我們所提出的RAHF-DualLLMs超過了除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)練的獎勵模型（Reward model）和第三方提供的獎勵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。

表1. 在Anthropic-HH數(shù)據(jù)集上相對于首選回復(fù)的勝率（結(jié)果使用GPT-4進行評判）。

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

這項工作我們嘗試了一種受認知神經(jīng)科學(xué)理論啟發(fā)的基于表征工程來實現(xiàn)生成式語言大模型與人類偏好對齊的策略，旨在提出一種輕量級和易實現(xiàn)的解決方案。目前仍然還有許多可改進的空間，我們希望這項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