概述
RLHF 是一种通过根据人类偏好进行训练，将原始语言模型转变为有用、礼貌的助手的技术。这很重要，因为它将模型行为与人们的实际想要的东西结合起来，而不仅仅是统计上可能的东西。
根据人类反馈进行强化学习是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
预训练的语言模型可以预测合理的文本，但合理并不等于有帮助、诚实或安全。 RLHF 分阶段解决了这个问题。首先，监督微调教导模型遵循使用人工编写的示例答案的指令。接下来，人类会比较模型对同一提示的反应，并选择更好的一个；这些比较训练了一个单独的奖励模型，可以对任何响应进行评分。最后，通过强化学习对语言模型进行优化，以产生奖励模型评价较高的响应。惩罚可以防止它偏离原始模型太远，因此它可以保持流畅并且不会利用奖励模型的怪癖。 RLHF 是使 ChatGPT 风格的助手可用的核心。
技术洞察
奖励模型通常在具有 Bradley-Terry 风格损失的偏好对上进行训练，学习为人类偏好的答案提供更高的标量分数。然后使用 PPO（近端策略优化）更新策略，最大限度地提高奖励，同时针对参考模型的 KL 散度惩罚可防止过度优化和“奖励黑客”。由于 PPO 非常繁琐，因此 DPO（直接偏好优化）等新方法跳过了显式奖励模型和强化循环，直接从偏好对优化策略。
掌握从人类反馈中进行强化学习
RLHF 是一种通过根据人类偏好进行训练，将原始语言模型转变为有用、礼貌的助手的技术。这很重要，因为它将模型行为与人们的实际想要的东西结合起来，而不仅仅是统计上可能的东西。根据人类反馈进行强化学习是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将人类反馈的强化学习视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用来自人类反馈的强化学习来根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
调整聊天助手，使其拒绝有害的请求，并提供有用的、结构良好的答案，而不仅仅是看似合理的文本。
根据人们的偏好对摘要对进行排名，以训练一个模型，该模型可以编写人们实际上认为有用的摘要。
通过奖励人类评估者认为尊重和安全的反应来减少有毒或有偏见的输出。
在首选答案与拒绝答案的数据集上使用 DPO 来调整开源模型，而无需运行完整的 PPO 循环。
实施模式
实践中根据人类反馈进行强化学习
调整聊天助手，使其拒绝有害的请求，并提供有用的、结构良好的答案，而不仅仅是看似合理的文本。
调整聊天助手，使其拒绝有害的请求，并提供有用的、结构良好的答案，而不仅仅是看似合理的文本。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力提升和错误成本时，通常会得到更好的结果。
实践中根据人类反馈进行强化学习
根据人们的偏好对摘要对进行排名，以训练一个模型，该模型可以编写人们实际上认为有用的摘要。
按人们的偏好对摘要对进行排序，以训练一个模型，该模型编写人们实际上认为有用的摘要。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中根据人类反馈进行强化学习
通过奖励人类评估者认为尊重和安全的反应来减少有毒或有偏见的输出。
通过奖励人类评估者判断为尊重和安全的响应来减少有毒或有偏见的输出当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中根据人类反馈进行强化学习
在首选答案与拒绝答案的数据集上使用 DPO 来调整开源模型，而无需运行完整的 PPO 循环。
在首选答案与拒绝答案的数据集上使用 DPO 来调整开源模型，而无需运行完整的 PPO 循环。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。