【自然语言处理】InstructGPT、GPT-4 概述

news2024/10/6 20:28:26

InstructGPT官方论文地址：https://arxiv.org/pdf/2203.02155.pdf

GPT-4 Technical Report：https://arxiv.org/pdf/2303.08774.pdf

GPT-4：GPT-4

1 InstructGPT

2 GPT-4

1 InstructGPT

在了解ChatGPT之前，我们先看看InstructGPT。

论文中的模型训练过程如下图：

① 文字接龙

GPT (Generative Pre-trained Transformer) 模型就是在海量的文本数据上学习文字接龙，通过训练掌握基于前文内容生成后续文本的能力。这样的训练不需要人类标注数据（自监督学习），只需要给一段文字的上文同时把下文遮住，将 GPT 模型的回答与语料中下文的内容做对比，进行优化即可。

从下图中，输入“你好”让 GPT 做文字接龙，柱子的高低理解为输出概率的大小，GPT 的输出最有可能是“美”，当然也可能是“吗”或者“高”。

GPT 的输出通常是通过概率采样得到的。在生成文本时，模型根据前面的文本内容和当前的上下文，计算每个可能的输出单词的概率分布。概率越高，越有可能输出。然后，模型会根据这个概率分布对下一个单词进行采样，得到最终的输出单词。在采样的过程中，模型通常使用一种称为 “softmax” 的函数来转换概率分布，从而确保所有可能的输出单词的概率总和为1。由于采样的过程是基于随机性的，因此即使提供相同的输入和上下文，模型生成的文本输出也可能会有所不同。使用概率采样可以产生更有趣、更有意思的文本输出。这就是为什么 ChatGPT 对于相同的问题往往会有不一样的答案的原因。当然，概率采样也可能会导致一些质量较低的输出，例如语法错误、重复和不相关的单词。

② 人类参与（人类老师引导文字接龙的方向）

只是让 GPT 自己做自监督的文字接龙是有局限性的，因为机器是没有感情的，因为 GPT 不知道什么样的答案是有效的，所以需要人类的参与，引导 GPT 生成有用的我们想要的答案。首先，从问题数据集（prompt dataset）中挑出一些问题。让真正的人类（labeler）给出这些问题的正确答案。这样就形成了有标签的数据集，这些数据用于微调 GPT-3，这个过程也称作 supervised fine-tuning (SFT)。SFT，简言之，就是在GPT3的基础上进行有监督的微调得到的。

这样就有一个问题了，人类不可能给出所有问题的答案。但是，可以给 GPT 生成的答案进行评分，这就相对轻松很多。比如，我们让刚刚训练好的 SFT 模型回答相同的问题四次，这样就产生了四个不同的答案 A、B、C、D 。然后人工对这些答案进行评分或者说是评级（rank），比如 D > C > A = B 。因为判断式的标注与生成式的标注相比，更容易。所以采取这种方式标注数据。这样就又形成了一部分数据来训练 reward model(RM)，就可以训练出一个符合人类评价标准的 Reward 模型。这个就类似于Teacher Model。这样之后 GPT 生成答案就不需要人工评分，直接把答案放到模型Reward 模型中去就可以自动判断答案的好坏。

如下图所示，对于相同问题的不同答案，Reward Model 学习到了在合理的答案上面打“高分”，在不合理的答案上打“低分”。

根据 Reward Model 的打分结果，继续优化 SFT 模型。使用强化学习的技术调整 GPT 模型参数，使 GPT 生成的答案通过 Reward Model 可以得到最高的 Reward，重复这个过程，InstructGPT就训练成啦。

③ RLHF

InstructGPT 是一种通过Reinforcement Learning from Human Feedback (RLHF)训练得到的语言模型，是一种基于人类反馈的强化学习方法（PPO），它通过与人类交互来获得任务的奖励信号，从而实现任务的学习。与传统的强化学习方法相比，RLHF不需要为任务定义奖励函数，因此更具有实际应用的价值。RLHF的作用更多在于控制，使之输出我们期望的结果。

2 GPT-4

GPT-4 Technical Report中对于模型本身，训练的方式、如何提升模型和安全性都没有提及，没有任何技术细节。

GPT-4是一个大规模的多模态模型，可以接受图像和文本输入，并产生文本输出。虽然GPT-4在许多现实场景中的表现不如人类，但它在各种专业和学术基准上表现出了人类的水平，包括通过模拟律师考试，得分在前10%左右。GPT-4是一个基于transformer的预训练模型，用于预测文档中的下一个令牌。

可以用千分之一的计算量去预测 GPT-4 在一定计算规模下的性能，不用花时间训练大模型去探索，即 Predictable Scaling。

GPT-4的训练稳定性是史无前例的，这得益于对抗性测试计划和来自于ChatGPT的经验教训，对 GPT-4 进行迭代调整，从而在真实性、可控性等方面取得了有史以来最好的结果。在过去的两年里，OpenAI重建了整个深度学习栈，并与Azure共同设计了一台超级计算机以便于应付他们的工作负载。将继续专注于可靠的扩展，进一步完善方法，以帮助其实现更强大的提前预测性能和规划未来的能力，这对安全至关重要。OpenAI还开源了OpenAI Evals，这是他们的自动化评估AI模型性能的框架，任何人都可以提交他们模型的缺陷以帮助改进。OpenAI 正在通过 ChatGPT 和 API（有候补名单）发布 GPT-4 的文本输入功能。图像输入功能方面，为了获得更广泛的可用性，OpenAI 正在与其他公司展开合作。OpenAI 还在为机器学习模型设计的传统基准上评估了 GPT-4。GPT-4 大大优于现有的大型语言模型，以及大多数 SOTA 模型。