解讀ChatGPT背后的技術(shù)重點(diǎn)：RLHF、IFT、CoT、紅藍(lán)對抗

近段時(shí)間，ChatGPT 橫空出世并獲得巨大成功，使得 RLHF、SFT、IFT、CoT 等這些晦澀的縮寫開始出現(xiàn)在普羅大眾的討論中。這些晦澀的首字母縮略詞究竟是什么意思？為什么它們?nèi)绱酥匾?？我們調(diào)查了相關(guān)的所有重要論文，以對這些工作進(jìn)行分類，總結(jié)迄今為止的工作，并對后續(xù)工作進(jìn)行展望。

我們先來看看基于語言模型的會(huì)話代理的全景。ChatGPT 并非首創(chuàng)，事實(shí)上很多組織在 OpenAI 之前就發(fā)布了自己的語言模型對話代理 (dialog agents)，包括 Meta 的 BlenderBot，Google 的 LaMDA，DeepMind 的 Sparrow，以及 Anthropic 的 Assistant (Anthropic 的 Claude 就是部分基于 Assistant 繼續(xù)開發(fā)而得的)。

語言模型對話代理產(chǎn)品論文鏈接：

• Meta 的 BlenderBot:
  https://arxiv.org/abs/2208.03188
• Google 的 LaMDA:
  https://arxiv.org/abs/2201.08239
• DeepMind 的 Sparrow:
  https://arxiv.org/abs/2209.14375
• Anthropic 的 Assistant:
  https://arxiv.org/abs/2204.05862

其中一些團(tuán)隊(duì)還公布了他們構(gòu)建開源聊天機(jī)器人的計(jì)劃，并公開分享了路線圖 (比如 LAION 團(tuán)隊(duì)的 Open Assistant)，其他團(tuán)隊(duì)肯定也有類似的內(nèi)容，但尚未宣布。你可以在 Open Assistant 的 GitHub 倉庫中找到其愿景 & 路線圖文檔:https://github.com/LAION-AI/Open-Assistant

下表根據(jù)是否能公開訪問、訓(xùn)練數(shù)據(jù)、模型架構(gòu)和評估方向的詳細(xì)信息對這些 AI 聊天機(jī)器人進(jìn)行了比較。ChatGPT 沒有這些信息的記錄，因此我們改為使用 InstructGPT 的詳細(xì)信息，這是一個(gè)來自 OpenAI 的指令微調(diào)模型，據(jù)信它是 ChatGPT 的基礎(chǔ)。

我們觀察到，盡管在訓(xùn)練數(shù)據(jù)、模型和微調(diào)方面存在許多差異，但也存在一些共性。上述所有聊天機(jī)器人的一個(gè)共同目標(biāo)是「指令依從 (instruction following)」，即遵循用戶指定的指令。例如，要求 ChatGPT 寫一首關(guān)于微調(diào)的詩。

從預(yù)測文本到遵循指令

通常，基礎(chǔ)模型的語言建模目標(biāo)不足以讓模型學(xué)會(huì)以有用的方式遵循用戶的指令。模型創(chuàng)建者使用「指令微調(diào) (Instruction Fine-Tuning，IFT)」方法來達(dá)到該目的，該方法除了使用情感分析、文本分類、摘要等經(jīng)典 NLP 任務(wù)來微調(diào)模型外，還在非常多樣化的任務(wù)集上向基礎(chǔ)模型示范各種書面指令及其輸出，從而實(shí)現(xiàn)對基礎(chǔ)模型的微調(diào)。這些指令示范由三個(gè)主要部分組成 —— 指令、輸入和輸出。輸入是可選的，一些任務(wù)只需要指令，如上文使用 ChatGPT 做開放式文本生成的示例。當(dāng)存在輸入時(shí)，輸入和輸出組成一個(gè)「實(shí)例 (instance)」。給定指令可以有多個(gè)輸入和輸出實(shí)例。如下例 (摘自 Wang 等，'22)：

IFT 的訓(xùn)練數(shù)據(jù)通常是人工編寫的指令及用語言模型自舉 (bootstrap) 生成的實(shí)例的集合。在自舉時(shí)，先使用少樣本技術(shù)輸入一些樣本給 LM 用于提示它 (如上圖所示)，隨后要求 LM 生成新的指令、輸入和輸出。每一輪都會(huì)從人工編寫的樣本和模型生成的樣本中各選擇一些送給模型。人類和模型對創(chuàng)建數(shù)據(jù)集的貢獻(xiàn)構(gòu)成了一個(gè)譜圖，見下圖：

譜圖的一端是純模型生成的 IFT 數(shù)據(jù)集，例如 Unnatural Instructions (Honovich 等，'22)；另一端是經(jīng)由社區(qū)的大量努力精心制作的指令如 Super-natural instructions (Wang 等，'22)。在這兩者之間的工作是使用一小組高質(zhì)量的種子數(shù)據(jù)集，然后進(jìn)行自舉生成最終數(shù)據(jù)集，如 Self-Instruct (Wang 等，'22)。為 IFT 整理數(shù)據(jù)集的另一種方法是將現(xiàn)有的用于各種任務(wù) (包括提示)的高質(zhì)量眾包 NLP 數(shù)據(jù)集使用統(tǒng)一模式或不同模板轉(zhuǎn)換為指令。這一系列工作包括 T0 (Sanh 等，'22)、Natural instructions 數(shù)據(jù)集 (Mishra 等，'22)、FLAN LM (Wei 等，'22) 和 OPT-IML (Iyer 等，'22)。

論文鏈接:

• Unnatural Instructions (Honovich 等, '22):
  https://arxiv.org/abs/2212.09689
• Super-natural instructions (Wang 等, '22):
  https://arxiv.org/abs/2204.07705
• Self-Instruct (Wang 等, '22):
  https://arxiv.org/abs/2212.10560
• T0 (Sanh 等, '22):
  https://arxiv.org/abs/2110.08207
• Natural instructions 數(shù)據(jù)集 (Mishra 等, '22):
  https://arxiv.org/abs/2104.08773
• FLAN LM (Wei 等, '22):
  https://arxiv.org/abs/2109.01652
• OPT-IML (Iyer 等, '22):
  https://arxiv.org/abs/2212.12017

安全地遵循指令

然而，經(jīng)過指令微調(diào)的 LM 并不總是能生成有幫助的和安全的響應(yīng)。這種行為的例子包括通過總是給出無益的回應(yīng)來逃避，例如 “對不起，我不明白?！?或?qū)γ舾?a href="http://www.wenjunhu.com/v/tag/" target="_blank">話題的用戶輸入生成不安全的響應(yīng)。為了減輕這種行為，模型開發(fā)人員使用有監(jiān)督微調(diào) (Supervised Fine-tuning, SFT)，在高質(zhì)量的人類標(biāo)注數(shù)據(jù)上微調(diào)基礎(chǔ)語言模型，以提高有用性和無害性。例如，請參閱下面的表格（摘自 Sparrow 論文的附錄 F)。

SFT 和 IFT 聯(lián)系非常緊密。指令微調(diào)可以看作是有監(jiān)督微調(diào)的一個(gè)子集。在最近的文獻(xiàn)中，SFT 階段經(jīng)常被用于提高響應(yīng)的安全性，而不是接在 IFT 后面提高指令相應(yīng)的具體性。將來，這種分類和劃分應(yīng)該日臻成熟，形成更清晰的使用場景和方法論。

谷歌的 LaMDA 也根據(jù)一組規(guī)則 (論文附錄 A) 在帶有安全標(biāo)注的對話數(shù)據(jù)集上進(jìn)行微調(diào)。這些規(guī)則通常由模型創(chuàng)建者預(yù)先定義和開發(fā)，涵蓋廣泛的主題，包括傷害、歧視、錯(cuò)誤信息。

微調(diào)模型

同時(shí)，OpenAI 的 InstructGPT、DeepMind 的 Sparrow 和 Anthropic 的 Constitutional AI 使用人類反饋強(qiáng)化學(xué)習(xí) (Reinforcement Learning From Human Feedback，RLHF)來微調(diào)模型，該方法使用基于人類偏好的標(biāo)注數(shù)據(jù)。在 RLHF 中，根據(jù)人類反饋來對模型的響應(yīng)進(jìn)行排序標(biāo)注 (如，根據(jù)人類偏好選擇文本簡介)。然后，用這些帶標(biāo)注的響應(yīng)來訓(xùn)練偏好模型，該模型用于返回 RL 優(yōu)化器的標(biāo)量獎(jiǎng)勵(lì)。最后，通過強(qiáng)化學(xué)習(xí)訓(xùn)練對話代理來模擬偏好模型。有關(guān)更多詳細(xì)信息，請參閱我們之前關(guān)于 RLHF 的文章:ChatGPT 背后的“功臣”——RLHF 技術(shù)詳解。

思維鏈 (Chain-of-thought，CoT)提示 (Wei 等，'22) 是指令示范的一種特殊情況，它通過引發(fā)對話代理的逐步推理來生成輸出。使用 CoT 微調(diào)的模型使用帶有逐步推理的人工標(biāo)注的指令數(shù)據(jù)集。這是Let’s think step by step這一著名提示的由來。下面的示例取自 Chung 等，'22，橙色高亮的部分是指令，粉色是輸入和輸出，藍(lán)色是 CoT 推理。

如 Chung 等，'22 中所述，使用 CoT 微調(diào)的模型在涉及常識(shí)、算術(shù)和符號(hào)推理的任務(wù)上表現(xiàn)得更好。

如 Bai 等，'22 的工作所示，CoT 微調(diào)也顯示出對無害性非常有效 (有時(shí)比 RLHF 做得更好)，而且對敏感提示，模型不會(huì)回避并生成 “抱歉，我無法回答這個(gè)問題” 這樣的回答。更多示例，請參見其論文的附錄 D。

論文鏈接:

• 思維鏈提示 (Wei 等, '22):
  https://arxiv.org/abs/2201.11903
• Let’s think step by step:
  https://arxiv.org/abs/2205.11916
• CoT 圖解示例 (Chung 等, '22):
  https://arxiv.org/abs/2210.11416
• CoT 微調(diào)也顯示出對無害性非常有效 (Bai 等, '22):
  ttps://www.anthropic.com/constitutional.pdf

要點(diǎn)

1. 與預(yù)訓(xùn)練數(shù)據(jù)相比，您只需要非常小的一部分?jǐn)?shù)據(jù)來進(jìn)行指令微調(diào) (幾百個(gè)數(shù)量級)；
2. 使用人工標(biāo)注的有監(jiān)督微調(diào)使模型輸出更安全和有用；
3. CoT 微調(diào)提高了模型在需要逐步思考的任務(wù)上的性能，并使它們在敏感話題上不那么回避。

對話代理的進(jìn)一步工作

這個(gè)博客總結(jié)了許多關(guān)于使對話代理有用的現(xiàn)有工作。但仍有許多懸而未決的問題有待探索。我們在這里列出了其中的一些。

1. RL 在從人類反饋中學(xué)習(xí)有多重要？我們能否通過在 IFT 或 SFT 中使用更高質(zhì)量的數(shù)據(jù)進(jìn)行訓(xùn)練來獲得 RLHF 的性能？
2. 為了安全的角度看，Sparrow 中的 SFT+RLHF 與 LaMDA 中僅使用 SFT 相比如何？
3. 鑒于我們有 IFT、SFT、CoT 和 RLHF，預(yù)訓(xùn)練有多大的必要性？如何折衷？人們應(yīng)該使用的最佳基礎(chǔ)模型是什么 (公開的和非公開的)？
4. 本文中引用的許多模型都經(jīng)過 紅藍(lán)對抗 (red-teaming) 的精心設(shè)計(jì)，工程師特地搜尋故障模式并基于已被揭示的問題改進(jìn)后續(xù)的訓(xùn)練 (提示和方法)。我們?nèi)绾蜗到y(tǒng)地記錄這些方法的效果并重現(xiàn)它們？

紅藍(lán)對抗 (red-teaming) 論文地址:
https://arxiv.org/abs/2209.07858

P.s. 如果您發(fā)現(xiàn)本博客中的任何信息缺失或不正確，請告知我們。

引用:

Rajani et al.,"What Makes a Dialog Agent Useful?", Hugging Face Blog, 2023.

BibTeX 引用:

@article{rajani2023ift,
author={Rajani,NazneenandLambert,NathanandSanh,VictorandWolf,Thomas},
title={WhatMakesaDialogAgentUseful?},
journal={HuggingFaceBlog},
year={2023},
note={https://huggingface.co/blog/dialog-agents},
}