概述
RLHF 是一種透過根據人類偏好進行訓練，將原始語言模型轉變為有用、有禮貌的助手的技術。這很重要，因為它將模型行為與人們的實際想要的東西結合起來，而不僅僅是統計上可能的東西。
根據人類回饋進行強化學習是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
預先訓練的語言模型可以預測合理的文本，但合理不等於有幫助、誠實或安全。 RLHF 分階段解決了這個問題。首先，監督微調教導模型遵循使用人工編寫的範例答案的指令。接下來，人類會比較模型對相同提示的反應，並選擇更好的一個；這些比較訓練了一個單獨的獎勵模型，可以對任何回應進行評分。最後，透過強化學習對語言模型進行最佳化，以產生獎勵模型評價較高的反應。懲罰可以防止它偏離原始模型太遠，因此它可以保持流暢並且不會利用獎勵模型的怪癖。 RLHF 是使 ChatGPT 風格的助手可用的核心。
技術洞察
獎勵模型通常在具有 Bradley-Terry 風格損失的偏好對上進行訓練，學習為人類偏好的答案提供更高的標量分數。然後使用 PPO（近端策略優化）更新策略，最大限度地提高獎勵，同時針對參考模型的 KL 散度懲罰可防止過度優化和「獎勵駭客」。由於 PPO 非常繁瑣，因此 DPO（直接偏好優化）等新方法跳過了顯式獎勵模型和強化循環，直接從偏好對最佳化策略。
掌握從人類回饋中進行強化學習
RLHF 是一種透過根據人類偏好進行訓練，將原始語言模型轉變為有用、有禮貌的助手的技術。這很重要，因為它將模型行為與人們的實際想要的東西結合起來，而不僅僅是統計上可能的東西。根據人類回饋進行強化學習是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將人類回饋的強化學習視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，強大的團隊使用來自人類回饋的強化學習來根據可靠性和成本優化架構、數據和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
調整聊天助手，使其拒絕有害的請求，並提供有用的、結構良好的答案，而不僅僅是看似合理的文字。
根據人們的偏好對摘要對進行排名，以訓練一個模型，該模型可以編寫人們實際上認為有用的摘要。
透過獎勵人類評估者認為尊重和安全的反應來減少有毒或有偏見的輸出。
在首選答案與拒絕答案的資料集上使用 DPO 來調整開源模型，而無需執行完整的 PPO 循環。
實施模式
實踐中根據人類回饋進行強化學習
調整聊天助手，使其拒絕有害的請求，並提供有用的、結構良好的答案，而不僅僅是看似合理的文字。
調整聊天助手，使其拒絕有害的請求，並提供有用的、結構良好的答案，而不僅僅是看似合理的文字。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力提升和錯誤成本時，通常會得到更好的結果。
實踐中根據人類回饋進行強化學習
根據人們的偏好對摘要對進行排名，以訓練一個模型，該模型可以編寫人們實際上認為有用的摘要。
按人們的偏好對摘要對進行排序，以訓練一個模型，該模型編寫人們實際上認為有用的摘要。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中根據人類回饋進行強化學習
透過獎勵人類評估者認為尊重和安全的反應來減少有毒或有偏見的輸出。
透過獎勵人類評估者判斷為尊重和安全的反應來減少有毒或有偏見的輸出當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
實踐中根據人類回饋進行強化學習
在首選答案與拒絕答案的資料集上使用 DPO 來調整開源模型，而無需執行完整的 PPO 循環。
在首選答案與拒絕答案的資料集上使用 DPO 來調整開源模型，而無需執行完整的 PPO 循環。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。