文章目录

• 1.RLHF方法
• 2.ChatGPT中的RLHF方法
• • 2.1 微调模型GPT-3
  • 2.2 训练奖励模型
  • 2.3 利用强化学习进一步微调语言模型
• 3.效果
• 4.面临挑战
• 5.参考

InstructGPT语言模型，是一个比 GPT-3 更善于遵循用户意图，同时使用通过我们的对齐研究开发的技术使它们更真实、毒性更小。InstructGPT 模型循环迭代的过程当中，加入了人类反馈进行训练。

比如下面的例子：几句话向6岁的孩子解析登月

可以看到，GPT-3模型的回答需要分开多个句子进行解析，这样的回答并不像人类。而InstructGPT模型的回答，在逻辑和语义通顺上，更加偏向于人类的回答。

实际上，GPT-3 模型未接受过遵循用户说明的训练。InstructGPT 模型（上面蓝色的字体）生成更有用的输出以响应用户指令。

在GPT-3模型中，可以使用精心设计好的文本提示词语引导该模型执行自然语言任务。但是这些模型在生成文本时，会输出不真实、有毒或反映有害情绪的文本。这是因为，在训练GPT-3模型的时候，利用了大量的互联网文本数据来预测下一个单词，而不是在安全情况下执行用户想要的语言文本。总结来说，GPT-3模型与用户的需求不太一致。

为了让模型生成更安全，有用，对其用户需求的文本，OpenAI使用了一个称为**RLHF（Reinforcement Learning from Human Feedback）**的方法，**它是一种根据人类反馈从而进行学习的强化学习方法。**在实际过程中，用户提交文本提示词语，标注者针对模型给出的几个回答进行排序，这样就可以对GPT-3模型进行fine-tune，这样就可以得到InstructGPT模型。

InstructGPT模型比GPT-3模型更擅长遵循用户的指令。这个模型很少会编造事实，同时在有毒输出产生方面表现出小幅下降。InstructGPT模型参数量比GPT少100倍，只达到了1.3B，但其效果和GPT-3模型差不多。

1.RLHF方法

接下来详细讲一下InstructGPT中用到的RLHF方法。

构建一个安全的AI模型，**首先需要的就是摆脱直接编写目标函数的需求。**因为如果对复杂的目标任务使用简单的函数进行表征，或者使用错误的函数进行表征，就可能导致模型学习到不良的甚至时危险的行为。简单来说，就是让模型生成多种输出，然后人工标注哪种输出更好，来指导模型训练。

这里以“训练AI进行后空翻操作”为例子，讲述RLHF的原理

在算法中，仅仅需要900位人类的反馈，就可以完成AI后空翻的训练效果。其包含了3个训练循环步骤：

• 奖励预测：根据人类的反馈
• RL算法训练
• agent理解目标行为

AI agent首先在环境中随机行动。定期将其行为的两个视频片段提供给人工审核，标注者决定两个片段中的哪一个最接近实现其目标——在本例中为后空翻。人工智能通过找到最能解释人类判断的奖励函数，逐步建立任务目标模型。然后它使用 RL 来学习如何实现该目标。随着其行为的改进，它会继续询问人类对轨迹行为的反馈，并进一步完善其对目标的理解。

后空翻视频需要不到 1000 位的人类反馈。它花费了人类评估者不到一个小时的时间。下面就是人工在看视频标注的过程：

作为对比，研究者重新编写了奖励函数也训练了一个模型。从实验上看，使用RLHF方法要更优雅得多。（左图为RLHF，右图为正常利用奖励函数进行训练）

OpenAI进一步把RLHF方法，试验到多个领域中，包括模拟机器人和 雅利达游戏上。在这些游戏中，没有利用后台的分数作为奖励函数，而仅仅利用标注进行奖励。

Agent可以从人类反馈中学习，有时甚至是超人的表现。在下面的动画中，可以看到训练好的智能体玩各种雅利达游戏。

2.ChatGPT中的RLHF方法

在实际应用上训练ChatGPT中，其包含了几个以下的三个主要步骤：

• 收集人工标记的数据，用来微调预训练模型GPT-3
• 训练奖励模型
• 利用强化学习进一步微调语言模型

2.1 微调模型GPT-3

第一步比较简单，ChatGPT直接使用GPT-3作为预训练模型。在人工标注的数据微调后，可以得到一个初始化LM模型：Initial Language Model。

2.2 训练奖励模型

从Prompts数据集中，抽样出多个prompts，然后输入到上面微调过的LM模型中，这样会得到多个输出文本，即：[prompt, generated text]。

接下来利用人工方法对这些输出的文本进行排序，人为确认哪些文本较为满意。

**为什么要使用排序方法，而不是直接打分数呢？**这是因为不同的研究人员对同一个句子可能有不一样的评分，这样会导致大量的噪声出现，如果改成排序，则会大大降低噪声。

得到排序结果后，就可以用来训练奖励模型。奖励模型可以利用预训练模型进行初始化，或者也可以进行随机初始化。然后把人工标注的排序结果输入到奖励模型中。这里可以使用类似推荐系统中的“pair-wise”，把两个句子输入进行，奖励模型判别哪个句子较好。

最后，我们就有了两个模型，一个是第一步得到的LM模型，另一个是现在得到的奖励模型（RM）。

2.3 利用强化学习进一步微调语言模型

利用强化学习方法，不断强化Tuned Language Model。让这个模型生成的文本越来越符合人类的语言认知。这样最终得到的模型在文本生成上，更加语义通顺和安全。

这其中用到的强化学习方法主要是PPO算法，感兴趣的同学可以了解一下。

3.效果

为了衡量模型的安全性，OpenAI主要在公开可用的数据集上进行验证。与 GPT-3 相比，InstructGPT 产生的模仿性错误更少并且毒性更小。同时发现 InstructGPT 更少地编造事实（“幻觉”），并生成更合适的输出。

4.面临挑战

RLHF算法的性能最高只能达到与人类评估的行为，因此如果人类没有很好地掌握任务，他们不会提供很多有用的反馈，这进一步限制了模型的效果。

同时，AI系统的安全性不仅取决于底层模型的行为，还取决于这些模型的部署方式。需要更多的过滤器来检测不安全行为的生成。

InstructGPT更多的还是偏向于英语的文化价值观，针对少数群体的差异和分歧，该模型很难对齐。这更需要加入人工知识，来进一步平衡模型的价值观。

5.参考

1.[https://zhuanlan.zhihu.com/p/591474085](https://zhuanlan.zhihu.com/p/591474085)
2.[https://huggingface.co/blog/rlhf](https://huggingface.co/blog/rlhf)
3.[https://openai.com/blog/deep-reinforcement-learning-from-human-preferences/](https://openai.com/blog/deep-reinforcement-learning-from-human-preferences/)
4.[https://mp.weixin.qq.com/s?__biz=MzI4MDYzNzg4Mw==&mid=2247554744&idx=3&sn=58d27263f499a939cba817522840a9cb&chksm=ebb72e6cdcc0a77a135c55c297c3c8c5ee106780c92f072bbf821ea0f8a1e143a47034e69680&scene=27](https://mp.weixin.qq.com/s?__biz=MzI4MDYzNzg4Mw==&mid=2247554744&idx=3&sn=58d27263f499a939cba817522840a9cb&chksm=ebb72e6cdcc0a77a135c55c297c3c8c5ee106780c92f072bbf821ea0f8a1e143a47034e69680&scene=27)
5.[https://openai.com/blog/instruction-following/](https://openai.com/blog/instruction-following/)

好了，以上就是本期的全部内容了，我是leo，欢迎关注我的公众号/知乎"算法一只狗"，我们下期再见~

本文链接：https://my.lmcjl.com/post/1384.html