大型语言模型对齐技术综述:RLHF、RLAIF、PPO、DPO 等
随着自监督学习的进步、预训练语料库中数万亿标记的可用性、指令微调以及具有数十亿参数的大型Transformer的发展,大型语言模型(LLMs)现在能够生成符合事实且连贯的人类查询响应。然而,训练数据质量参差不齐可能导致生成不良响应,成为一个重大挑战。在过去的两年里,从不同角度提出了各种方法来增强LLMs,特别是在使其与人类期望对齐方面。尽管做出了这些努力,但尚未有一篇综合性调查论文对这些方法进行分类和详细说明。在本工作中,我们旨在填补这一空白,将这些论文分类为不同主题,并提供每种对齐方法的详细解释,从而帮助读者全面了解该领域的现状。
在过去的几十年中,通过自监督学习对大型语言模型(LLMs)进行的预训练取得了显著进展。这些进步得益于更大的仅解码Transformer的开发、数万亿标记的利用以及跨多个GPU的计算并行化。在预训练阶段之后,使用指令微调来指导LLMs响应人类查询。尽管取得了这些进展,但一个关键问题仍未解决:LLMs可能会生成不良响应,例如提供实施非法活动的指令。为降低这种风险,将LLMs与人类价值观对齐至关重要。
从人类反馈中进行强化学习(RLHF)已成为对齐LLMs的突破性技术。这种方法促进了强大模型的发展,如GPT-4、Claude和Gemini。自RLHF引入以来,许多研究探索了进一步对齐LLMs的各种方法。然而,尚未有一篇综合性评论文章对这些对齐方法进行系统性评审。本文旨在填补这一空白,通过分类回顾现有文献并对个别论文进行详细分析。
本文将我们的综述分为四个主要主题:1. 奖励模型;2. 反馈;3. 强化学习(RL);4. 优化。每个主题进一步划分为如图1所示的子主题。对于奖励模型,子主题包括:1. 显式奖励模型与隐式奖励模型;2. 点对点奖励模型与偏好模型;3. 响应级别奖励与标记级别奖励;4. 负偏好优化。关于反馈,子主题包括:1. 偏好反馈与二元反馈;2. 成对反馈与列表反馈;3. 人类反馈与AI反馈。在RL部分,子主题包括:1. 基于参考的RL与无参考RL;2. 长度控制RL;3. RL中的不同散度;4. 在线RL与离线RL。对于优化,子主题包括:1. 在线/迭代偏好优化与离线/非迭代偏好优化;2. 分离SFT与对齐与合并SFT与对齐。表1使用这些13个评价指标对所有详细回顾的论文进行了分析。
分类大纲
这一部分简要介绍了LLM对齐的关键要素,使读者能够理解基本术语和各种现有的研究方向。主要包括四个方向:1. 奖励模型,2. 反馈,3. 强化学习策略,4. 优化。
2.1 奖励模型
奖励模型是一个经过微调的LLM,它根据提示和生成的响应分配分数。在本小节中,我们将讨论:
-
使用显式或隐式奖励模型,
-
采用点对点奖励模型或偏好模型,
-
使用标记级别或响应级别的奖励模型,
-
仅通过负偏好训练奖励模型。
这些不同奖励模型的图表见图2。
2.2 反馈
反馈包括来自人类或AI的偏好和二元响应,可以是成对或列表的形式。在本小节中,我们将讨论三个关键区别:
-
偏好反馈与二元反馈,
-
成对反馈与列表反馈,
-
人类反馈与AI反馈。
这些反馈的图表见图3。
2.4 优化
LLMs的对齐过程涉及优化。本节将讨论两个关键子主题:
-
迭代/在线偏好优化与非迭代/离线偏好优化,
-
分离SFT(监督微调)与对齐与合并SFT与对齐。
这些优化子主题的图表见图4。
原文地址:https://blog.csdn.net/2401_83878212/article/details/140694758
免责声明:本站文章内容转载自网络资源,如本站内容侵犯了原著者的合法权益,可联系本站删除。更多内容请关注自学内容网(zxcms.com)!