在ChatGPT引領的大型語言模型時代，一個繞不過去的話題就是「基于人類反饋的強化學習」（RLHF），不僅提升了語言模型的性能，也將人類社會的價值觀注入到模型中，使得語言模型能夠幫助用戶解決問題，提高模型的安全性。

不過在ChatGPT之后，大量模型和相關技術不斷發布，RLHF也早已更新換代，并衍生出來一些無需人工的微調方法，效果提升也很明顯。

最近，Lightning AI創始人、AI研究大牛Sebastian Raschka發表了一篇博客，描述了Llama 2中的RLHF機制和原版相比做出了哪些改變和提升，還介紹了幾個RLHF算法的替代方案。

經典LLM的訓練流程

目前最先進的、基于Transformer的大型語言模型，例如ChatGPT或Llama 2，大體都包括三個訓練步驟：預訓練，有監督微調和對齊。

在預訓練階段，模型會吸收來自海量、無標注文本數據集的知識，然后使用有監督微調細化模型以更好地遵守特定指令；最后使用對齊技術使LLM可以更有用且更安全地響應用戶提示。

1. 預訓練（Pretraining）

預訓練階段通常需要包含數十億到數萬億個token的龐大文本語料庫，但訓練目標只是一個簡單的「下一個單詞預測」（next word prediction）任務，模型需要根據提供的文本來預測后續單詞或token。

自監督預訓練可以讓模型從大規模的數據中學習，只要能夠在不侵犯版權，或是無視創造者偏好的情況下收集到數據，就可以不依賴人工標注完成訓練，因為訓練標簽實際上就是文本的后續單詞，已經暗含在數據集中了。

2. 有監督微調（Supervised finetuning）

第二階段大體上來看也是「next token prediction」任務，不過需要人工標注的指令數據集，其中模型的輸入是一個指令（根據任務的不同，也可能包含一段文本），輸出為模型的預期回復內容。

數據形式類似于：

Instruction: "Write a  about a pelican."

使用說明：“寫一首關于鵜鶘的打油詩?！?/span>

Output: "There once was a pelican so fine..."

輸出：“從前有一只鵜鶘很好...“

模型會將指令文本作為輸入，并逐個token輸出，訓練目標是與預期輸出相同。

雖然兩個階段都采用相似的訓練目標，但有監督微調數據集通常比預訓練數據小得多，指令數據集需要人類（或其他高質量的LLM）提供標注結果，所以無法大規模應用。

3. 對齊（Alignment）

第三階段依然是微調，不過其主要目標在于將語言模型與人類的偏好、價值觀進行對齊，也是RLHF機制發揮作用的地方。

RLHF主要包括三步：

Step 1. 預訓練模型的有監督微調

先收集一個提示詞集合，并要求標注人員寫出高質量的回復，然后使用該數據集以監督的方式微調預訓練的基礎模型。

Step 2. 創建獎勵模型

對于每個提示，要求微調后的LLM生成四到九個回復，再由標注人員根據個人偏好對所有回復進行排序。

雖然排序過程很耗時，但工作量還是比第一步的數據集構建少一些。

在處理排序結果時，可以設計一個獎勵模型RM，將微調語言模型SFT的輸出通過一個回歸層（單個輸出節點）轉換為獎勵分數，用于后續優化。

Step 3.PPO微調

使用鄰近策略優化（PPO，proximal policy optimization ），根據獎勵模型提供的獎勵分數對SFT模型進一步優化。

PPO的具體技術細節可以參考InstructGPT或下面的論文列表。

1. Asynchronous Methods for Deep Reinforcement Learning (2016) ，https://arxiv.org/abs/1602.01783
2. Proximal Policy Optimization Algorithms (2017)，https://arxiv.org/abs/1707.06347
3. Fine-Tuning Language Models from Human Preferences (2020)，https://arxiv.org/abs/1909.08593
4. Learning to Summarize from Human Feedback (2022) ，https://arxiv.org/abs/2009.01325

Llama 2中的RLHF

Meta AI在創建Llama-2-chat模型時也使用了RLHF技術，不過與ChatGPT相比還是有些細微區別。

簡單來說，Llama-2-chat在第一步RLHF微調上使用相同的指令數據，但在第二步使用了兩個獎勵模型；通過多個階段的不斷進化，獎勵模型也會根據Llama-2-chat模型出現的錯誤進行更新；并且增加了拒絕采樣（rejection sampling）步驟。

Margin Loss

在標準InstructGPT中使用的RLHF PPO方法，研究人員需要收集同一個提示下的4-9個模型輸出并進行排序，比如四個回復的排序結果為A<C< D<B，那么就可以得到六個對比結果：A < C，A < D ，A < B，C < D，C < B，D < B

Llama 2的數據集也采用類似的方式，不過標注人員每次只能看到兩個（而非4-9個）回復并進行對比，但新增了一個邊際（margin）標簽，對比結果可以為「顯著更好」（significantly better）和「好的不明顯」（negligibly better）。

在排序訓練時中，Llama 2相比InstructGPT增加了邊際損失：

其中，rθ（x，y）是提示x和生成的回復y的標量分數輸出; θ為模型權重; σ是將層輸出轉換為范圍從0到1的分數的邏輯S形函數; yc是由標注人員選擇的更優回復; yr是較差的回復。

m(r)可以調節兩個回復之間的差值，如果對比結果為「顯著更好」，則會增加梯度值，加快更新速度。

兩種獎勵模式

Llama 2中的兩個獎勵模型分別側重「有用性」（helpfulness）和「安全性」（safety），用于模型優化的最終獎勵函數會將兩個分數進行線性組合。

拒絕采樣（Rejection sampling）

Llama 2的作者使用了一個訓練流水線，同時使用PPO和拒絕采樣算法，迭代地產生多個RLHF模型（從RLHF-V1到RLHF-V5），模型在拒絕采樣時會得到K個輸出，在每次優化迭代時選擇具有最高獎勵的輸出用于梯度更新，而PPO每次只基于單樣本進行更新。

從實驗結果來看，RLHF微調模型在無害性和有用性上都得到了改善，并且在最后階段RLHF-v5使用PPO算法的性能最好。

RLHF的替代方案

可以看到，RLHF是一個相當復雜的過程，如此精心的設計是否值得？

雖然InstructGPT和Llama 2論文實驗結果中證實了RLHF帶來的性能提升，但也有相關工作在關注開發更有效的替代品：

1. 憲政AI：人工智能反饋的無害性

研究人員提出了一種基于人類提供的規則列表的自我訓練機制，也使用了強化學習的方法。

論文標題：Constitutional AI: Harmlessness from AI Feedback

論文鏈接：https://arxiv.org/abs/2212.08073

發表日期：2022年12月

上圖中的「紅隊」（Red Team）指的是測試目標系統的防御能力，即外部或內部專家模擬潛在對手的過程，通過模仿現實世界打擊者的戰術、技術和程序來挑戰、測試并最終改進系統。

2. 后見之明的智慧

研究人員提出了一種基于重新標注的有監督方法HIR用于微調，在12個BigBench任務上都優于RLHF算法。

論文標題：The Wisdom of Hindsight Makes Language Models Better Instruction Followers

論文鏈接：https://arxiv.org/abs/2302.05206

發表時間：2023年2月

HIR方法包括兩個步驟，采樣和訓練：在采樣時，提示和指令被饋送到LLM以收集回復，并基于對齊分數，在訓練階段適當的地方重新標注指令；然后使用新指令和原始提示用于微調LLM。

重新標注可以有效地將失敗案例（LLM創建的輸出與原始指令不匹配的情況）轉化為有用的訓練數據以用于監督學習。

3. 直接偏好優化

直接偏好優化（DPO）是使用PPO的RLHF的替代方案，實驗結果顯示，用于擬合RLHF中的獎勵模型的交叉熵損失可以直接用于微調LLM，并且DPO更有效，在回復生成質量方面通常也優于RLHF/PPO

論文標題：Direct Preference Optimization: Your Language Model is Secretly a Reward Model

論文鏈接：https://arxiv.org/abs/2305.18290

發表日期：2023年5月

4. 強化自訓練（ReST）

ReST是RLHF的替代方案，可以將LLM與人類偏好對齊，其使用采樣方法來創建一個改進的數據集，在質量越來越高的子集上迭代訓練，以完善其獎勵函數。

論文標題：Reinforced Self-Training (ReST) for Language Modeling

論文鏈接：https://arxiv.org/abs/2308.08998

發表日期：2023年8月

根據作者的說法，ReST通過離線生成其訓練數據集，與標準在線RLHF方法（PPO）相比，實現了更高的效率，但缺少與InstructGPT或Llama 2中使用的標準RLHF PPO方法的全面比較。

5. 基于人工智能反饋的強化學習

基于人工智能反饋的強化學習（RLAIF）的研究表明，RLHF中獎勵模型訓練的評級不一定必須由人類提供，也可以由LLM生成（如PaLM 2）。

論文標題：RLAIF：Scaling Reinforcement Learning from Human Feedback with AI Feedback

論文鏈接：https://arxiv.org/abs/2309.00267

發表日期：2023年9月

標注人員在一半的案例中更喜歡RLAIF模型，也就意味著兩個模型的差距并不大，并且RLHF和RLAIF都大大優于純粹通過監督指令微調訓練的模型。

這項研究的結果是非常有用的，基本上意味著我們可以更容易獲得RLHF的訓練數據，不過RLAIF模型如何在定性研究中表現還有待觀察，這項研究側重于信息內容的安全性和真實性，只是對人類偏好研究的部分捕獲。

但這些替代方案在實踐中是否有價值還有待觀察，因為目前還沒有哪個模型可以不用RLHF的情況下，取得與Llama 2和Code Llama相近的性能。