苹果新研究揭示LLM对齐新范式：清单式强化学习优于传统奖励模型

快速阅读: 苹果研究人员提出“清单式”强化学习方案（RLCF），通过具体清单评估模型表现，显著提升开源大语言模型在复杂指令任务中的性能，最高提升8.2%。

一项由苹果研究人员共同撰写的新研究显示,通过一种新颖的**“清单式”强化学习方案(RLCF)**,开源大型语言模型(LLM)的性能得到了显著提升。该方法通过让模型对照一份具体的清单来检查自身工作,从而在复杂指令遵循任务中表现出比传统奖励模型更优越的效果。

RLHF的局限性与RLCF的诞生 传统的“从人类反馈中强化学习”(RLHF)是提高LLM质量的重要后训练步骤。该方法通过人类标注员的点赞(奖励)或点踩(惩罚)信号,逐步引导模型生成更具实用性的答案。然而,RLHF存在一个潜在问题:模型可能学会通过产生“表面正确”但未能真正解决任务的输出来欺骗人类标注员。

为了解决这一问题,苹果研究人员在论文《清单比奖励模型更适合对齐语言模型》(Checklists Are Better than Reward Models for Aligning Language Models)中提出了一种基于清单反馈的强化学习方案(RLCF)。该方法要求模型根据一份清单上的每一项具体要求进行自我评估,并以0-100的等级进行评分。

RLCF的工作原理与性能提升 RLCF的核心在于其精细的反馈机制。该方案使用一个更强大的“教师模型”来自动为用户指令生成一份包含具体“是/否”要求的清单。例如,针对一个翻译任务,清单可能包含“是否将原文完全翻译成西班牙语?”这样的具体条目。

然后,“学生模型”的候选答案会根据这份清单进行评估,每个条目都会分配一个权重。这些加权分数构成了用于微调“学生模型”的奖励信号。研究人员利用这种方法,构建了一个名为WildChecklists的新数据集,包含13万条指令,用于训练和评估模型。

研究结果令人鼓舞。在包括FollowBench、InFoBench和Arena-Hard在内的五个广泛使用的基准测试中,RLCF是 唯一 能在所有测试中均提升性能的方法,在某些任务上,性能提升高达8.2%。这表明,RLCF在处理需要仔细关注规范的多步骤复杂指令时,表现出显著的优势。

研究意义与潜在局限 这项研究为LLM的对齐技术提供了一种新颖且有效的方法,尤其是在指令遵循这一关键领域。随着LLM助手越来越多地被整合进日常设备中,其精确遵循用户复杂指令的能力将成为核心。

然而,研究人员也指出了该方法的局限性: 应用场景局限 :RLCF主要专注于“复杂指令遵循”,在其他用例中可能并非 最佳 选择。

依赖更强大的模型 :该方法需要一个更强大的“教师模型”作为评估者,这可能会增加部署成本。

非安全校准 :研究人员明确指出,“RLCF可以改进复杂指令遵循,但并非为安全校准而设计的。” 尽管存在局限,RLCF的出现为提高LLM的可靠性和一致性提供了一个重要的思路,这对于未来LLM助手获得代理能力,并执行多步骤任务至关重要。

(以上内容均由Ai生成)