苹果推出AI训练新方法 用任务清单替代人工评分显著提升模型性能

快速阅读: 苹果研究团队提出基于清单反馈的强化学习方法RLCF，替代传统点赞评分机制，大幅提升大语言模型执行复杂指令能力，测试显示性能显著提升，但需更强计算资源且专为复杂任务设计。

苹果公司研究团队近日在 最新 论文中提出了一种名为”基于清单反馈的强化学习”(RLCF)的创新训练方法,通过用具体任务清单替代传统的人工点赞评分机制,大幅提升了大语言模型执行复杂指令的能力。

据了解,RLCF全称为Reinforcement Learning from Checklist Feedback,与目前广泛采用的”人类反馈强化学习”(RLHF)方法形成鲜明对比。传统RLHF方法主要依赖人工进行简单的点赞或点踩评价,而RLCF则为每条用户指令生成详细的检查清单,并按0-100分的标准对各项内容进行精确评分,以此作为模型优化的指导依据。

苹果研究团队选择了强指令跟随模型Qwen2.5-7B-Instruct作为测试对象,并在五个常用评测基准上进行了全面验证。测试结果显示,RLCF是 唯一 在所有测试项目中都取得性能提升的训练方案。

具体数据显示,在FollowBench测试中,硬性满意率提升了4个百分点。InFoBench评分提高6点,Arena-Hard胜率增加3点。在某些特定任务中,性能提升幅度 最高 达到8.2%。这些数据表明,清单反馈方法在处理复杂多步骤任务时表现尤为突出。

在技术实现方面,苹果团队的清单生成过程颇具创新性。他们采用更大规模的Qwen2.5-72B-Instruct模型,结合现有研究方法,为13万条指令构建了名为”WildChecklists”的专用数据集。清单内容设计为明确的二元判断项,例如”是否翻译成西班牙语”等具体要求。随后,大模型对候选回答进行逐项评分,通过综合加权处理后形成训练奖励信号,指导小模型的学习优化过程。

不过,苹果研究人员也坦率承认了该方法的局限性。首先,RLCF需要依赖更强大的模型作为评判标准,这在计算资源受限的场景下可能面临实施困难。其次,该方法专门针对复杂指令执行能力的提升而设计,并非用于安全对齐目的,因此无法替代现有的安全性评估和调优机制。对于其他类型的AI任务,RLCF方法的适用性还需要进一步的实验验证。

业界专家认为,苹果此次提出的RLCF方法为AI模型训练提供了新的思路,特别是在处理复杂多步骤任务方面展现出明显优势。随着技术的进一步完善,这一方法有望在实际应用中发挥更大作用。

(以上内容均由Ai生成)