• 一、InstructGPT是在GPT3上微调，ChatGPT是在GPT3.5上微调

• 二、该论文展示了怎么样对语言模型和人类意图之间进行匹配，方法是在人类的反馈上进行微调。

• **三、方法简介：**收集很多问题，使用标注工具将问题的答案写出来，用这些数据集对GPT3进行微调。接下来再收集一个数据集，通过刚才微调的模型输入问题得到一些输出答案，人工对这些答案按好坏进行排序，然后通过强化学习继续训练微调后的模型，这个模型就叫InstrunctGPT。

• 四、大的语言模型会生成有问题的输出，因为模型训练用的目标函数不那么对。实际的目标函数：在网上的文本数据预测下一个词。我们希望的目标函数：根据人的指示、有帮助的、安全的生成答案。InstructGPT就是解决这个问题，方法是RLHF(reinforcement learning from human feedback)，基于人类反馈的强化学习。
  五、重点：两个标注数据集，三个模型。

• 1、找人来写出各种各样的问题

• 2、让人根据问题写答案

• 3、将问题和答案拼在一起，形成一段对话。

• 4、使用这些对话微调GPT3。GPT3的模型在人类标注的这些数据上进行微调出来的模型叫做SFT(supervised fine-tune)，有监督的微调。这就是训练出来的第一个模型。

• 5、给出一个问题，通过SFT模型生成几个答案
  （例如：什么是月亮？
  SFT模型生成了四个答案：
  A、月亮是太阳系中离地球最近的天体。
  B、月亮是太阳系中体积第五大的卫星。
  C、月亮是由冰岩组成的天体，在地球的椭圆轨道上运行。
  D、月亮是地球的卫星。）

• 6、将四个答案让人根据好坏程度进行排序。

• 7、将大量的人工排序整理为一个数据集，就是第二个标注数据集。

• 8、使用排序数据集训练一个RM模型，reward model，奖励模型。这是第二个模型。

• 9、继续给出一些没有答案的问题，通过强化学习继续训练SFT模型，新的模型叫做RL模型(Reinforcement Learning)。优化目标是使得RF模型根据这些问题得到的答案在RM模型中得到的分数越高越好。这是第三个模型。

• 10、最终微调后的RL模型就是InstructGPT模型。

备注：两次对模型的微调：GPT3模型—>SFT模型—>RL模型，其实这里始终都是同一个模型，只是不同过程中名称不一样。
需要SFT模型的原因：GPT3模型不一定能够保证根据人的指示、有帮助的、安全的生成答案，需要人工标注数据进行微调。
需要RM模型的原因：标注排序的判别式标注，成本远远低于生成答案的生成式标注。
需要RF模型的原因：在对SFT模型进行微调时，生成的答案分布也会发生变化，会导致RM模型的评分会有偏差，需要用到强化学习。

• 六、数据集问题
  收集问题集，prompt集：标注人员写出这些问题，写出一些指令，用户提交一些他们想得到答案的问题。先训练一个最基础的模型，给用户试用，同时可以继续收集用户提交的问题。划分数据集时按照用户ID划分，因为同一个用户问题会比较类似，不适合同时出现在训练集和验证集中。
  三个模型的数据集：

  1、SFT数据集：13000条数据。标注人员直接根据刚才的问题集里面的问题写答案。

  2、RM数据集：33000条数据。标注人员对答案进行排序。

  3、RF数据集：31000条数据。只需要prompt集里面的问题就行，不需要标注。因为这一步的标注是RM模型来打分标注的。
  补充：交叉熵用来评估标签和预测值之间的差距。这里是将排序的分数差转换成分类问题，就可以计算分数差的分类（1或者-1）和真实预测值之间的差距，1表示yw比yl排序更前，-1表示yl比yw排序更前。
  KL散度用来评估两个概率分布之间的相似度，KL散度始终大于等于0。这里是用来评估πφRL和πSFT两个模型相似度，两个模型相同则KL散度为0，KL散度越大表示两个模型相差越大。

• 七、三种模型详解

一、SFT(Supervised fine-tuning)模型
把GPT3这个模型，在标注好的第一个数据集（问题+答案）上面重新训练一次。

由于只有13000个数据，1个epoch就过拟合，不过这个模型过拟合也没什么关系，甚至训练更多的epoch对后续是有帮助的，最终训练了16个epoch。

二、RM(Reward modeling)模型

把SFT模型最后的unembedding层去掉，即最后一层不用softmax，改成一个线性层，这样RM模型就可以做到输入问题+答案，输出一个标量的分数。
RM模型使用6B，而不是175B的原因：
1、小模型更便宜
2、大模型不稳定，loss很难收敛。如果你这里不稳定，那么后续再训练RL模型就会比较麻烦。
损失函数，输入是排序，需要转换为值，这里使用Pairwise Ranking Loss。
三、RL(Reinforcement learning)模型

这里用的是强化学习，因为他的数据分布是随着策略的更新，环境会发生变化的。优化算法是PPO，Proximal Policy Optimization，近端策略优化。简单来说，就是对目标函数objective(φ)通过随机梯度下降进行优化。

参数解释：

1、πSFT：SFT模型。

2、πφRL：强化学习中，模型叫做Policy，πφRL就是需要调整的模型，即最终的模型。初始化是πSFT。

3、(x,y)∼DπφRL：x是第三个数据集中的问题，y是x通过πφRL模型得到的答案。

4、rθ(x,y)：对问题x+答案y进行打分的RM模型。

5、πφRL(y | x)：问题x通过πφRL得到答案y的概率，即对于每一个y的预测和它的softmax的输出相乘。

6、πSFT(y | x)：问题x通过πSFT得到答案y的概率。

7、x∼Dpretrain：x是来自GPT3预训练模型的数据。

8、β、γ：调整系数。

目标函数理解：

优化目标是使得目标函数越大越好，objective(φ)可分成三个部分，打分部分+KL散度部分+GPT3预训练部分

1、将第三个数据集中的问题x，通过πφRL模型得到答案y

2、把一对(x,y)送进RM模型进行打分，得到rθ(x,y)，即第一部分打分部分，这个分数越高就代表模型生成的答案越好

3、在每次更新参数后，πφRL会发生变化，x通过πφRL生成的y也会发生变化，而rθ(x,y)打分模型是根据πSFT模型的数据训练而来，如果πφRL和πSFT差的太多，则会导致rθ(x,y)的分数估算不准确。因此需要通过KL散度来计算πφRL生成的答案分布和πSFT生成的答案分布之间的距离，使得两个模型之间不要差的太远。

4、我们希望两个模型的差距越小越好，即KL散度越小越好，前面需要加一个负号，使得objective(φ)越大越好。这个就是KL散度部分。

5、如果没有第三项，那么模型最终可能只对这一个任务能够做好，在别的任务上会发生性能下降。所以第三部分就把原始的GPT3目标函数加了上去，使得前面两个部分在新的数据集上做拟合，同时保证原始的数据也不要丢，这个就是第三部分GPT3预训练部分。

6、当γ=0时，这个模型叫做PPO，当γ不为0时，这个模型叫做PPO-ptx。InstructGPT更偏向于使用PPO-ptx。

7、最终优化后的πφRL模型就是InstructGPT的模型。

以上就是InstructGPT的训练过程。

参考：