介绍

现在LLM可以被prompt来完成一系列的下游任务，然而这些模型也总会产生一些用户不想要的结果，如捏造事实，产生偏差，或者生成负面的数据。作者认为原因可能出现在评估函数，由于LLM的评估函数可能是完形填空（Bert系列）或者文字接龙（GPT系列），而我们想让他完成QA，所以作者认为LLM没有align用户用的想法。
于是作者就想让模型对人们更有帮助、无害，缓解上面的所说的偏差。

做法如下图：

1. 第一步：作者找了一些比较不错的问答数据（通过labeler书写，或者产生于模型测试时期的用户数据），然后把这些数据送入模型进行finetune，这个过程被称之为SFT（Supervised- fine- tuning）。tips：其实这个阶段的模型也是可以用的（数据可能不够），但是写qa数据是一个非常贵的事情。
2. 第二步：通过第一步finetune好的模型，继续生成把新的qa数据送入这个模型，然后通过beam search的方法来对一个问题生成多个回答，然后由labeler对这几个回答进行打分排序，如上图D>C>A=B，然后训练一个RM（reward model）的模型，rm模型可以把每个回答的句子按照大小关系数值化的表示出来。训练完成RM模型后，模型就可以自动的为模型生成的结果打分。
3. 第三步：把打分结果融入第一步的代价函数，让模型更偏向于生成高质量的结果。

模型

数据集

为了获取数据，作者首先让labeler 生成三种类型的数据，第一步生成一些有创造性的qa，确保数据的多样性，然后在根据第一步的结果通过few-shot 生成更多数据，然后在让labeler生成各个领域的数据。通过这些数据，SFT模型，然后放在 测试平台上面，让用户测试，并收集此数据（每一个用户最多收集200条qa）。
大体的数据种类如下：

作者划分数据的方式比较奇特，他是通过用户id来划分训练、验证、测试集，因为同一个用户可能会问相似的问题，如果随机划分，可能会造成数据泄漏。

最后作者还描述了个阶段数据集分配的数量，SFT：13k，RM：33k，PPO：31k.

Task

主要介绍任务多样性，略。

Human data collection

这里主要介绍如何去选择labeler，略。

model

Supervised fine-tuning（SFT）：这一部分与简介中提到的差不多，就是居于GPT-3的fine-tune，epoch=16，但是1个epoch过后就直接过拟合了，作者认为这类数据更贴合人类的喜好，对RM score也有帮助，所以过拟合也影响不大。

Reward modeling(RM)：这部分的model实际上就是把LLM的最后一层softmax换成了输出为标量linear，这个标量就是分数，LLM的大小作者尝试了6B与175B，作者发现175B不好训练，表现也不稳定，最终就采用了6B。
其中loss为：

其中r_theta为奖励模型输出的标量。K：batch_size。
一般的loss是 比较input为x的y与真实值y*的差距，但是这个loss是输入两对问答数据，其中假设w下标的比l下标的排位靠前。然后把这两对分别输入奖励模型，得到两个得分，模型想让这两个得分差距越大越好。

由于每次送入两对qa数据容易overfitting，所以作者把batch调节为4、9.

Reinforement learning(RL)
待更新。。。。

实验结果

参考

https://www.bilibili.com/video/BV1hd4y187CR/?spm_id_from=333.337.search-card.all.click&vd_source=0da9d499cd80cd8f11e8a465deeace93
https://arxiv.org/pdf/2203.02155.pdf