2023/05/25 19:53

24小时内、200美元复制RLHF过程，斯坦福开源「羊驼农场」模拟器

平替不止模型，RLHF也有平替了。

2 月底，Meta 开源了一个大模型系列 LLaMA（直译为羊驼），参数量从 70 亿到 650 亿不等，被称为 Meta 版 ChatGPT 的雏形。之后斯坦福大学、加州大学伯克利分校等机构纷纷在 LLaMA 的基础上进行「二创」，陆续推出了 Alpaca、Vicuna 等多个开源大模型，一时间「羊驼」成为 AI 圈顶流。开源社区构建的这些类 ChatGPT 模型迭代速度非常快，并且可定制性很强，被称为 ChatGPT 的开源平替。

然而，ChatGPT 之所以能在文本理解、生成、推理等方面展现出强大的能力，是因为 OpenAI 为 ChatGPT 等大模型使用了新的训练范式 ——RLHF (Reinforcement Learning from Human Feedback) ，即以强化学习的方式依据人类反馈优化语言模型。使用 RLHF 方法，大型语言模型可与人类偏好保持对齐，遵循人类意图，最小化无益、失真或偏见的输出。但 RLHF 方法依赖于大量的人工标注和评估，通常需要数周时间、花费数千美元收集人类反馈，成本高昂。

现在，推出开源模型 Alpaca 的斯坦福大学又提出了一种模拟器 ——AlpacaFarm（直译为羊驼农场）。AlpacaFarm 能在 24 小时内仅用约 200 美元复制 RLHF 过程，让开源模型迅速改善人类评估结果，堪称 RLHF 的平替。

AlpacaFarm 试图快速、低成本地开发从人类反馈中学习的方法。为了做到这一点，斯坦福的研究团队首先确定了研究 RLHF 方法的三个主要困难：人类偏好数据的高成本、缺乏可信赖的评估、缺乏参考实现。

为了解决这三个问题，AlpacaFarm 构建了模拟注释器、自动评估和 SOTA 方法的具体实现。目前，AlpacaFarm 项目代码已开源。

GitHub 地址：https://github.com/tatsu-lab/alpaca_farm
论文地址：https://tatsu-lab.github.io/alpaca_farm_paper.pdf

如下图所示，研究人员可以使用 AlpacaFarm 模拟器快速开发从人类反馈数据中学习的新方法，也能将已有 SOTA 方法迁移到实际的人类偏好数据上。

模拟注释器

AlpacaFarm 基于 Alpaca 数据集的 52k 指令构建，其中 10k 指令用于微调基本的指令遵循模型，剩余的 42k 指令用于学习人类偏好和评估，并且大部分用于从模拟注释器中学习。该研究针对 RLHF 方法的注释成本、评估和验证实现三大挑战，逐一提出解决方法。

首先，为了减少注释成本，该研究为可访问 API 的 LLM（如 GPT-4、ChatGPT）创建了 prompt，使得 AlpacaFarm 能够模拟人类反馈，成本仅为 RLHF 方法收集数据的 1/45。该研究设计了一种随机的、有噪声的注释方案，使用 13 种不同的 prompt，从多个 LLM 提取出不同的人类偏好。这种注释方案旨在捕获人类反馈的不同方面，如质量判断、注释器之间的变化性和风格偏好。

该研究通过实验表明 AlpacaFarm 的模拟是准确的。当研究团队使用 AlpacaFarm 训练和开发方法时，这些方法与使用实际人类反馈训练和开发的相同方法排名非常一致。下图显示了由 AlpacaFarm 模拟工作流和人类反馈工作流产生的方法在排名上的高度相关性。这一特性至关重要，因为它说明从模拟中得出的实验结论在实际情况下也有可能成立。

除了方法层面的相关性，AlpacaFarm 模拟器还可以复制奖励模型过度优化等定性现象，但以此针对代理奖励（surrogate reward）的持续 RLHF 训练可能会损害模型性能。下图是在人类反馈 (左) 和 AlpacaFarm (右) 两种情况下的该现象，我们可以发现 AlpacaFarm 最初捕获了模型性能提升的正确定性行为，然后随着 RLHF 训练的持续，模型性能下降。

评估

在评估方面，研究团队使用与 Alpaca 7B 的实时用户交互作为指导，并通过结合几个现有公共数据集来模拟指令分布，包括 self-instruct 数据集、anthropic helpfulness 数据集和 Open Assistant、Koala 和 Vicuna 的评估集。使用这些评估指令，该研究比较了 RLHF 模型与 Davinci003 模型的响应（response）情况，并使用一个分值度量 RLHF 模型响应更优的次数，并将这个分值称为胜率（win-rate）。如下图所示，在该研究的评估数据上进行的系统排名量化评估表明：系统排名和实时用户指令是高度相关的。这一结果说明，聚合现有的公开数据能实现与简单真实指令相近的性能。

参考方法

对于第三个挑战 —— 缺少参考实现，研究团队实现并测试了几种流行的学习算法 (如 PPO、专家迭代、best-of-n 采样)。研究团队发现在其他领域有效的更简单方法并不比该研究最初的 SFT 模型更好，这表明在真实的指令遵循环境中测试这些算法是非常重要的。

根据人工评估，PPO 算法被证明是最有效的，它将模型与 Davinci003 相比的胜率从 44% 提高到 55%，甚至超过了 ChatGPT。

这些结果表明，PPO 算法在为模型优化胜率方面是非常有效的。需要注意的是，这些结果是特定于该研究的评估数据和注释器得出的。虽然该研究的评估指令代表了实时用户指令，但它们可能无法涵盖更具有挑战性的问题，并且并不能确定有多少胜率的改进来源于利用风格偏好，而不是事实性或正确性。例如，该研究发现 PPO 模型产生的输出要长得多，并且通常为答案提供更详细的解释，如下图所示：

总的来说，使用 AlpacaFarm 在模拟偏好上训练模型能够大幅改善模型的人类评估结果，而不需要让模型在人类偏好上重新训练。虽然这种迁移过程比较脆弱，并且在效果上仍略逊于在人类偏好数据上重新训练模型。但能在 24 小时内，仅用 200 美元就复制出 RLHF 的 pipeline，让模型迅速提升人类评估性能，AlpacaFarm 这个模拟器还是太香了，是开源社区为复刻 ChatGPT 等模型的强大功能做出的又一努力。

参考链接：https://crfm.stanford.edu/2023/05/22/alpaca-farm.html

理论RLHF

相关数据

参数技术

在数学和统计学裡，参数（英语：parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。

来源：维基百科

强化学习技术

强化学习是一种试错方法，其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划（Dynamic Programming）。流行的强化学习方法包括自适应动态规划（ADP）、时间差分（TD）学习、状态-动作-回报-状态-动作（SARSA）算法、Q 学习、深度强化学习（DQN）；其应用包括下棋类游戏、机器人控制和工作调度等。

来源：机器之心

语言模型技术

语言模型经常使用在许多自然语言处理方面的应用，如语音识别，机器翻译，词性标注，句法分析和资讯检索。由于字词与句子都是任意组合的长度，因此在训练过的语言模型中会出现未曾出现的字串(资料稀疏的问题)，也使得在语料库中估算字串的机率变得很困难，这也是要使用近似的平滑n元语法(N-gram)模型之原因。

来源：维基百科

模型优化技术

像卷积神经网络（CNN）这样的深度学习模型具有大量的参数；实际上，我们可以调用这些超参数，因为它们原本在模型中并没有被优化。你可以网格搜索这些超参数的最优值，但需要大量硬件计算和时间。改进模型的最佳方法之一是基于在你的领域进行过深入研究的专家的设计和体系结构，他们通常拥有强大的硬件可供使用。常见的简单模型优化技巧包括迁移学习、dropout、学习率调整等

来源：机器之心

量化技术

深度学习中的量化是指，用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

来源：Medium