讓語言模型的行為符合人類社會價值觀是當前語言模型開發的重要環節。相應的訓練也被稱為價值對齊 （value alignment）。

當前主流的方案是 ChatGPT 所采用的 RLHF （Reinforcenment Learning from Human Feedback），也就是在人類反饋上進行強化學習。這一方案首先先訓練一個 reward model （價值模型）作為人類判斷的代理。代理模型在強化學習階段為生成式語言模型的提供獎勵作為監督信號。

這一方法存在如下痛點：

1.代理模型產生的獎勵很容易被破除或者篡改。

2. 在訓練過程中，代理模型需要和生成式模型進行不斷交互，而這一過程可能非常耗時且效率不高。為了保證高質量的監督信號，代理模型不應小于生成式模型，這也就意味著在強化學習優化過程中，至少有兩個比較大的模型需要交替進行推理（判斷得到的獎勵）和參數更新（生成式模型參數優化）。這樣的設定在大規模分布式訓練中可能會非常不便。

3. 價值模型本身并無和人類思考模型上明顯的對應。我們腦海中并沒有一個單獨的打分模型，而且實際上長期維護一個固定的打分標準也非常困難。相反，我們的成長過程中價值判斷的形成大部分來自每天的社交 —— 通過對相似場景的不同社交反饋的分析，我們逐漸意識到什么是會被鼓勵的，什么是不允許的。這些通過大量 “社交 — 反饋 — 改進” 而逐漸積累的經驗和共識成為了人類社會共同的價值判斷。

最近一項來自達特茅斯，斯坦福，谷歌 DeepMind 等機構的研究表明，利用社交游戲構造的高質量數據配合簡單高效的對齊算法，也許才是實現 alignment 的關鍵所在。

• 文章地址：https://arxiv.org/pdf/2305.16960.pdf
• 代碼地址：https://github.com/agi-templar/Stable-Alignment
• 模型下載（包含基座，SFT，和對齊模型）：https://huggingface.co/agi-css

作者提出一種在多智能體游戲數據上訓練的對齊方法。基本思想可以理解為將訓練階段的獎勵模型和生成式模型的在線交互，轉移到游戲中大量自主智能體之間的離線交互之中（高采樣率，提前預演博弈）。游戲環境的運行獨立于訓練，并且可以大量并行。監督信號從取決于代理獎勵模型的性能變成取決于大量自主智能體的集體智慧。

為此作者設計了一個虛擬社會模型，稱之為沙盒 Sandbox。沙盒是一個格點構成的世界，每一個格點是一個 social agent (社交體)。社交體具有記憶系統，用于存儲每一次交互的問題，回答，反饋等各種信息。在社交體每一次對于問題做出回答時，都要先從記憶系統中檢索并返回和問題最相關的 N 條歷史問答，作為這一次回復的上下文參考。通過這一設計，社交體能在多輪互動中的立場不斷更新，且更新的立場能和過去保持一定延續性。初始化階段每一個社交體都有不同的預設立場。

將游戲數據轉化為 alignment 數據

在實驗中作者使用 10x10 的格點沙盒（一共 100 個社交體）進行社會仿真，且制定了一個社會規則（即所謂 Sandbox Rule）：所有社交體必須通過使自己對于問題的回答更加 socially aligned （社交對齊）來給其它社交體留下好的印象。此外沙盒還部署了沒有記憶的觀察者，在每一次社交前后，給社交體的答復做出打分。打分基于 alignment 和 engagement 兩個維度。

使用不同模型在沙盒中的模擬人類社會

作者利用沙盒 Sandbox 測試了不同大小，以及不同訓練階段的語言模型。整體而言，經過 alignment 訓練的模型 （即所謂 “對齊后的模型”），比如 davinci-003, GPT-4，和 ChatGPT，能在更少的交互輪次中就能生成符合社會規范的回復。換句話說，alignment 訓練的意義就在于讓模型在 “開箱即用” 的場景下更加安全，而不需要特別的多輪對話引導。而未經 alignment 訓練的模型，不僅需要更多的交互次數使回復達到 alignment 和 engagement 的整體最優，而且這種整體最優的上限顯著低于對齊后的模型。

作者同時提出一種簡便易行的對齊算法，稱為 Stable Alignment （穩定對齊），用于從沙盒的歷史數據中學習 alignment。穩定對齊算法在每一個 mini-batch （小批次）中進行打分調制的對比學習 —— 回復的得分越低，對比學習的邊界值就會被設定的越大 —— 換句話說，穩定對齊通過不斷采樣小批次數據，鼓勵模型生成更接近高分回復，更不接近低分回復。穩定對齊最終會收斂于 SFT 損失。作者還對穩定對齊和 SFT，RLHF 的差異進行了討論。

作者特別強調來自沙盒 Sandbox 的游戲的數據，由于機制的設定，大量包含通過修訂 （revision）而成為符合社會價值觀的數據。作者通過消融實驗證明這種大量自帶漸進式 （step-by-step）改進的數據是穩定訓練的關鍵。

作者還和當前主流對齊算法性能和訓練穩定性進行了性能上的比較，證明穩定對齊不僅比 reward modeling 更穩定，而且在通用性能和 alignment 性能上都足以媲美 RLHF (由于 ChatGPT 使用未公開的模型，數據和算法，因此僅作為參考)。

實例生成結果：

更多細節請參考論文。