前言

更多关于大模型的文章可见：ShiyuNee/Awesome-Large-Language-Models: Papers about large language models (github.com)

• 该仓库持续更新

Abs

通过训练模型来向着人类偏好优化可以显著提高摘要质量。

Method

High-level methodology

从一个在摘要数据集上使用SFT微调好的初始模型开始，然后经过以下三个步骤：

• 从已有的模型中收集一些样本，利用人工来进行对比
  • 对一个 Reddit post，从不同模型（当前模型，初始模型，原有的参考摘要以及其他baselines）中收集summaries。之后，将一批成对的摘要送给人工评估，人工被要求对一个Reddit post选择其最好的摘要
• 从人类对比的结果中学一个reward model
  • reward model用来对<post, summary>打分，分数越高说明summary越好，该模型打分需要和人类偏好保持一致，及人工认为越好的摘要应该得到更高的分数
• 针对reward model训练一个policy
  • 利用reward model对policy生成的结果进行打分，使用强化学习用该分数来优化当前policy

Dataset and task

• 数据：从TL;DR数据集中过滤得到，包含123169个posts，5%用来validation
  • 为什么不用更常用的CNN/DM数据集？
    • 因为这个数据集太简单，简单的提取式模型都能做的很好
• 任务：训练一个模型，生成小于48token的摘要，模型效果要好

Models

所有模型都是GPT-3架构，用1.3B和6.7B的GPT-3进行 human feedback实验

• 预训练模型：自回归形式的GPT-3

• 监督baselines：用过滤后的TL;DR微调的GPT-3，用来初始化policy、RM，也用来采集摘要pair，以及作为评估的baseline。在最后的人工评估中，对所有模型使用T=0的采样方式（贪婪搜索），因为发现这样效果最好

• Reward models：用上面的监督baseline来初始化，加了一个随机初始化的线性层来输出一个标量分数，该模型在两个摘要 $(y_0,y_1)$中判断哪个更好，如果 $y_1$ 更好，loss可以写成：

  

• Human feedback policies：用上面的监督baseline初始化，基于上面的RM，我们采用RL的方式，用PPO算法来训练一个policy。在reward中添加了一个惩罚项（学到的policy和原始的监督模型之间的KL散度）

  

Discussion

Limitations：训练以及数据收集都非常耗时，因此没办法上到更大的模型

Future directions：

• 可以应用到各种能比较样本的任务上
• 希望能扩展到人类不能轻易评估模型输出的任务上
• 使用除了二分比较的其他形式的human feedback

Broader impacts：本文探索的是通用技术，可以用在各种机器学习应用上。