首頁(yè)>國(guó)內(nèi) > 正文

最新RLHF拯救語(yǔ)言模型「胡說八道」！微調(diào)效果比ChatGPT更好，兩名華人共同一作

2023-06-16 10:01:33來源：量子位

本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)）的一大缺點(diǎn)，終于被解決了！

沒錯(cuò)，雖然RLHF是大語(yǔ)言模型“核心技巧”之一，然而這種方法也存在一個(gè)問題——

(相關(guān)資料圖)

它只會(huì)判斷生成文本的整體效果，不會(huì)仔細(xì)判斷細(xì)節(jié)是否存在事實(shí)性錯(cuò)誤、信息不完整和相關(guān)度等問題。

換而言之，傳統(tǒng)的RLHF只會(huì)對(duì)大語(yǔ)言模型的整個(gè)輸出進(jìn)行打分，而不會(huì)揪出細(xì)節(jié)上的毛病。

為此，華盛頓大學(xué)和艾倫人工智能研究院的研究人員提出了一種新的RLHF框架——FINE-GRAINED RLHF（細(xì)粒度的人類反饋強(qiáng)化學(xué)習(xí)）。

這個(gè)RLHF框架包含多種不同類型的“打分器”（reward model），通過對(duì)語(yǔ)言模型輸出的每句話進(jìn)行評(píng)估，從而提升生成文本的質(zhì)量。

不僅如此，對(duì)這些“打分器”的權(quán)重進(jìn)行調(diào)配，還能更靈活地控制語(yǔ)言模型輸出效果。

事實(shí)證明，這種RLHF方法能很好地降低語(yǔ)言模型生成內(nèi)容的錯(cuò)誤率、毒性，并提升它回答問題的全面性和解析能力。

所以，這個(gè)RLHF方法究竟長(zhǎng)啥樣？

對(duì)傳統(tǒng)RLHF進(jìn)行兩大改進(jìn)

這個(gè)名叫FINE-GRAINED RLHF的框架，核心目的就是細(xì)化傳統(tǒng)RLHF的評(píng)估方法。

具體來說，在語(yǔ)言模型輸出結(jié)果后，它要能標(biāo)識(shí)出具體哪些句子是錯(cuò)誤的、哪些部分是不相關(guān)的，從而更精細(xì)地指導(dǎo)模型學(xué)習(xí)，讓模型更好地理解任務(wù)要求、生成高質(zhì)量輸出。

為此，它主要做了兩大改進(jìn)：

一方面，對(duì)要評(píng)估的文本進(jìn)行拆解。

如果說之前的RLHF評(píng)估語(yǔ)言模型，就像老師給學(xué)生的高考作文整體打分，那么FINE-GRAINED RLHF，就像是先把學(xué)生的作文拆成一句句話，再給每句話進(jìn)行打分。

另一方面，訓(xùn)練三個(gè)“打分器”，分別用來評(píng)估事實(shí)準(zhǔn)確性、相關(guān)性和信息完整性：

相關(guān)性、重復(fù)性和連貫性：給每一句話中的短句子（sub-sentences）進(jìn)行打分。如果一句話里面的各個(gè)句子不相關(guān)、重復(fù)或不連貫就扣分，否則加分。錯(cuò)誤或無法驗(yàn)證的事實(shí)：給每一句話（sentences）進(jìn)行打分。如果一句話中存在任何事實(shí)錯(cuò)誤，就扣分；否則加分。信息完整性：檢查回答是否完整，涵蓋與問題相關(guān)的參考段落中的所有信息，對(duì)整個(gè)輸出進(jìn)行評(píng)分。

為了檢驗(yàn)?zāi)Ｐ偷男Ч?，研究人員用兩大任務(wù)，對(duì)這種新RLHF和傳統(tǒng)RLHF方法進(jìn)行了評(píng)估。

兩大任務(wù)效果均有提升任務(wù)一：生成文本毒性評(píng)估

為了研究這種新框架的效果，研究人員先進(jìn)行了去毒任務(wù)的實(shí)驗(yàn)。

實(shí)驗(yàn)使用了Perspective API來測(cè)量毒性，它可以返回一個(gè)介于0（無毒）和1（有毒）之間的毒性值。

上圖展示了兩種不同的打分機(jī)制，其中（a）是傳統(tǒng)的RLHF打分機(jī)制，也就是對(duì)模型所生成的內(nèi)容打一個(gè)“總分”。

而（b）則是新的RLHF評(píng)估方法，將輸出的內(nèi)容進(jìn)行拆解，分成了兩個(gè)句子，對(duì)兩個(gè)句子分別打分。

針對(duì)模型生成的這兩句話：

I am such an idiot.She is so smart!（我真是個(gè)白癡。她真聰明?。?/p>

顯然前半句話是造成生成內(nèi)容有毒的關(guān)鍵。

傳統(tǒng)（a）的方法，并沒有指出這一點(diǎn)；而（b）的方法可以很好地指出問題所在。對(duì)兩種方法進(jìn)行比較：

可以看到，在上面所有方法中，基于FINE-GRAINED RLHF框架，在多樣性（Diversity，大語(yǔ)言模型創(chuàng)造豐富度）水平和其它方法相近的情況下，仍能保持生成內(nèi)容的毒性最低。

與此同時(shí)，根據(jù)上圖的困惑度曲線，F(xiàn)INE-GRAINED RLHF的毒性下降速度更快，同時(shí)保持較低水平的困惑度（Perplexity，越低表示模型對(duì)給定序列的預(yù)測(cè)越準(zhǔn)確）。這表明基于FINE-GRAINED RLHF框架學(xué)習(xí)比傳統(tǒng)的RLHF更高效。

關(guān)于這一點(diǎn)，其中一個(gè)解釋是：

新的RLHF方法能夠確定有毒內(nèi)容的位置，這與傳統(tǒng)RLHF方法用的整體打分相比，提供的訓(xùn)練目標(biāo)更明確。

綜上，可以看到FINE-GRAINED RLHF在去毒任務(wù)中表現(xiàn)更為良好。

任務(wù)二：長(zhǎng)篇問答

緊接著，研究人員還對(duì)FINE-GRAINED RLHF進(jìn)行了長(zhǎng)篇問答任務(wù)的實(shí)驗(yàn)。

他們收集了一個(gè)包含人類偏好和細(xì)粒度反饋的長(zhǎng)問答數(shù)據(jù)集——QA-Feedback，基于ASQA（一個(gè)專注于回答模糊事實(shí)性問題的數(shù)據(jù)集）制作。

然后，對(duì)不同的微調(diào)方法（SFT監(jiān)督微調(diào)、Preference RLHF）進(jìn)行了評(píng)估：

△人工評(píng)估的不相關(guān)性錯(cuò)誤（左圖）和事實(shí)性錯(cuò)誤（右圖）

與其它方法相比，F(xiàn)INE-GRAINED RLHF生成的內(nèi)容在事實(shí)上更正確，包含更完整的信息。

相比當(dāng)前表現(xiàn)較好的微調(diào)方法，如SFT和Preference RLHF，F(xiàn)INE-GRAINED RLHF生成的無關(guān)、重復(fù)和不連貫錯(cuò)誤也要更少。

△信息完整度評(píng)估，“win”表示FINE-GRAINED RLHF獲勝，即在信息完整性方面表現(xiàn)更好；而“l(fā)ose”表示FINE-GRAINED RLHF失敗，即在信息完整性方面表現(xiàn)較差。

上面給出的是人工評(píng)估的結(jié)果，而在測(cè)試集上也有自動(dòng)的評(píng)分。

在QA-FEEDBACK測(cè)試集上，評(píng)分結(jié)果與人工評(píng)估類似，四個(gè)系統(tǒng)在Rouge分?jǐn)?shù)上都顯示FINE-GRAINED RLHF效果更好：

△在QA-FEEDBACK測(cè)試集上的自動(dòng)評(píng)估結(jié)果更靈活地定制RLHF

此外，研究人員還發(fā)現(xiàn)，由于FINE-GRAINED RLHF中使用了多個(gè)“打分器”，調(diào)整它們的權(quán)重，就可能更為靈活地定制語(yǔ)言模型的行為。

例如，將更多的權(quán)重添加到評(píng)估信息完整性的“打分器”中，可能會(huì)使生成的信息完整性更好。

△不同獎(jiǎng)勵(lì)模型權(quán)重配置下FINE-GRAINED RLHF的測(cè)試集自動(dòng)評(píng)估結(jié)果。

如上表所示，研究人員探索了FINE-GRAINED RLHF定制化語(yǔ)言模型行為的能力。

他們探索了三種“打分器”權(quán)重配置，并根據(jù)語(yǔ)言模型的平均文本生成長(zhǎng)度，將它們分別命名為“short”、“medium”、“l(fā)ong”。

“short”生成了相關(guān)性更高的內(nèi)容，但是事實(shí)性和完整性方面較差。與之相反，“l(fā)ong”提供了最準(zhǔn)確和完整的生成內(nèi)容。這反映出語(yǔ)言模型引用了大量的文本段落內(nèi)容。而“medium”配置平衡了三種打分方法，并具有最高的得分。

不過，三個(gè)“打分器”之間還存在著競(jìng)爭(zhēng)關(guān)系。

“相關(guān)性打分器”（the rel. reward model）偏向于生成短而簡(jiǎn)潔的回答，而”信息完整性打分器”（the comp. reward model）更偏向于生成更長(zhǎng)、更豐富的回答。

因此，在訓(xùn)練過程中，這兩個(gè)“打分器”會(huì)相互競(jìng)爭(zhēng)，并最終達(dá)到一個(gè)平衡。

與此同時(shí)，“事實(shí)性打分器”（the fact. reward model）則會(huì)不斷提高回答的正確性。

不過，移除任何一個(gè)“打分器”都會(huì)降低模型性能。

最后，研究人員還將他們的模型與ChatGPT的回答進(jìn)行了比較。

ChatGPT在測(cè)試集上的RougeLSum得分為40.92，遠(yuǎn)低于本文使用FINE-GRAINED RLHF所訓(xùn)練的模型。

簡(jiǎn)單來說，ChatGPT生成的回答通常非常簡(jiǎn)潔且事實(shí)準(zhǔn)確，但是缺乏澄清模糊問題所需的補(bǔ)充信息。

作者介紹

兩位論文共同一作均是來自于華盛頓大學(xué)（University of Washington）自然語(yǔ)言處理研究小組的博士生。

Zeqiu Wu，本科就讀于伊利諾伊大學(xué)電子與計(jì)算機(jī)工程系，并且取得了該校的碩士學(xué)位。

她的研究主要專注于信息檢索型對(duì)話系統(tǒng)和通用交互系統(tǒng)。