大模型 RLHF 实战！【OpenAI独家绝技RLHF！RLHF的替代算法DPO！Claude 暗黑科技 RAIHF！】

大模型 RLHF 实战

• 大模型 RLHF 实战
• RLHF：OpenAI独家绝技

• RLHF 的问题

• DPO 直接偏好优化算法：RLHF的替代算法

• 公式 1 - 4：KL散度下奖励的最大化目标
• 使用 DPO 微调 Llama 2

• RAIHF

 

---

大模型 RLHF 实战

RLHF（基于人类反馈的强化学习）分为 3 个阶段：

• 预训练：为了生成内容，需要一个生成式的预训练语言模型（如GPT）；还会引入微调，帮助模型更好理解提示（Prompts）
• 训练奖励函数：通过对模型生成的结果，人工标注反馈，构造训练集，用于训练奖励函数，模拟人的奖励偏好
• 强化学习：定义策略（第一阶段语言模型输入输出）、动作空间（词表token的排列组合）、奖励函数（第二阶段训练的）；对于同一个问题，会同时送入原始模型、训练模型，用奖励函数对俩者评分，分数差值用于训练策略函数。

安利下面的工具，支持主流模型（ChatGLM系列、Baichuan系列、LLaMA系列、Qwen系列、Bloom）：

• https://github.com/littepan/LLaMA-Efficient-Tuning/blob/main/README_zh.md
• https://github.com/hiyouga/LLaMA-Factory

同时支持训练方法，包括预训练(pre-training), 有监督微调（sft）和 RLHF，微调方式均为 LoRA 或者 QLoRA、全参数。

按照ta的教程一步步操作即可。

RLHF：OpenAI独家绝技

正在更新…

RLHF 的问题

RLHF 的替代有 2 种：DPO、RAIHF。

• RLHF：从人类反馈中学习的强化学习
• DPO：直接偏好优化算法，专门替代传统的基于奖励的 RL 方法。
  RLHF 问题：策略和价值函数迭代步骤相当复杂，经验数据采集计算成本高。
  改进：DPO 是简化了 RLHF 步骤（不需要对奖励函数进行复杂的工程设计），但同时效果不比 RLHF 差。
• RAIHF：RLHF不再需要人类，AI 实现标注自循环，AI标注效果一样好。
  RLHF 问题：

• 成本高昂（收集高质量人工，反馈需要大量的时间和金钱资源），RLHF通常使用数以万计的人类偏好标签
• 样本效率低（模型需要大量的人类反馈来学习和改进其行为）
• 人类偏见（模型可能会学习并放大人类评估者的偏见）
• 一致性问题（不同人评估给出不一致的反馈，导致模型训练中的不确定性）
• 可扩展性问题（对于非常复杂的任务或环境，难以获得足够的人类反馈来训练模型）
   

改进：RAIHF 是通过 AI 排序，而非人工排序数据集，训练出来的偏好模型PM的指引下迭代模型策略。

DPO 直接偏好优化算法：RLHF的替代算法

论文地址：https://arxiv.org/abs/2305.18290

作者在训练 DPO 模型时省略了奖励模型训练的步骤，而是通过设计一种包含正负样本对比的损失函数，在训练过程中得到一个满足人类偏好的模型。

• 你的语言模型其实是一个奖励模型
• 不训练奖励模型，语言模型直接做偏好优化
• 学习你的偏好，满足你的偏好

这种方法在文本总结和单轮对话任务上提高了生成结果的质量。

正样本和负样本的对比，使得模型能够更好地学习到人类偏好的特征，从而提升了生成的质量。

RLHF、DPO 差异：

左右两边最大的区别就是，有没有reward model (RM)。

DPO 是将配给 RW 的训练融合在 final LM 里面，LLM本身即是RM。

公式 1 - 4：KL散度下奖励的最大化目标

$p^*(y_1\succ y_2\mid x)=\frac{\exp\left(r^*(x,y_1)\right)}{\exp\left(r^*(x,y_1)\right)+\exp\left(r^*(x,y_2)\right)}$

• 人类偏好分布 $p*$
• 模型会生成问答对，会呈现给人类标注者，并让他们给出一个答案偏好 $y_{1}>y_{2} | x$
• $y_{1}>y_{2}$：更好的答案
• 假设这些偏好是由某个潜在的奖励模型 $r^*(x,y_1)$

建立奖励模型，对其参数做最大似然估计，从而将问题转换为二分类问题，同时使用负对数做似然损失：

• $\mathcal{L}_{R}(r_{\phi},\mathcal{D})=-\mathbb{E}_{(x,y_{w},y_{l})\sim\mathcal{D}}\big[\log\sigma(r_{\phi}(x,y_{w})-r_{\phi}(x,y_{l}))\big]$

目标函数（使用学到的奖励函数来为语言模型提供反馈）：

• $\max_{\pi_\theta}\mathbb{E}_{x\sim\mathcal{D},y\sim\pi_\theta(y|x)}\big[r_\phi(x,y)\big]-\beta\mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big]$

推导上式，得到：

• $\pi_r(y\mid x)=\frac1{Z(x)}\pi_{\mathrm{ref}}(y\mid x)\exp\left(\frac1\beta r(x,y)\right)$
   

上述就是论文 1 - 4 的推导结果。

这个公式是从一个最大化目标函数出发来推导的，其中包含了两个部分：模型预期奖励的最大化以及KL散度的一个约束项。

KL散度是衡量两个概率分布之间差异的一个指标，在这里用于限制学习到的策略 $\pi_\theta$ 与参考策略 $\pi_{\mathrm{ref}}$

目标函数可以分解为两部分：

1. $\max_{\pi_\theta}\mathbb{E}_{x\sim\mathcal{D},y\sim\pi_\theta(y|x)}\big[r_\phi(x,y)\big]$

• 这部分表示模型试图最大化预期奖励，也就是在给定输入 $x$ 的情况下，通过策略 $\pi_\theta$ 生成答案 $y$ 来获得尽可能高的奖励 $r_\phi(x,y)$。

2. $-\beta\mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big]$

• 这部分表示有一个正则化项，通过KL散度来限制策略 $\pi_\theta$ 不能偏离参考策略 $\pi_{\mathrm{ref}}$ 太远。$\beta$

目标函数最大，而公式 3 是相减，就意味着 $-\beta\mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big]$

而要从这个目标函数推导出策略 $\pi_r(y\mid x)$

在这种情况下，想要的是一个新的策略 $\pi_r(y\mid x)$，不仅能最大化奖励，还要满足对参考策略 $\pi_{\mathrm{ref}}(y\mid x)$

为了解这个带约束的优化问题，可以构建一个拉格朗日函数：

$\mathcal{L}(\pi_\theta) = \mathbb{E}_{x\sim\mathcal{D},y\sim\pi_\theta(y|x)}\big[r_\phi(x,y)\big] - \beta \mathbb{D}_{\mathbf{KL}}\big[\pi_\theta(y\mid x)||\pi_{\mathbf{ref}}(y\mid x)\big]$

对这个函数求解最优策略 $\pi_\theta$

• 公式 3 到 公式 4 的详细推导：https://zhuanlan.zhihu.com/p/644911957

$\pi_r(y\mid x) = \frac{1}{Z(x)}\pi_{\mathrm{ref}}(y\mid x) \exp\left(\frac{1}{\beta}r_\phi(x,y)\right)$

这里的 $Z(x)$ 是规范化因子（相当于做了归一化，取值 0-1），确保 $\pi_r(y\mid x)$

这个推导使用了变分原理，其中 $\pi_r(y\mid x)$ 是 $\pi_\theta(y\mid x)$ 的一个特殊形式，它使得拉格朗日函数 $\mathcal{L}(\pi_\theta)$

意思是，可以通过一个加权的参考策略来构造一个新的策略，该策略会偏向于高奖励的行为，同时保持与参考策略的相似性。

权重由奖励函数和温度参数 $\beta$

正在更新…

使用 DPO 微调 Llama 2

请猛击：https://github.com/huggingface/blog/blob/main/zh/dpo-trl.md

RAIHF