本文来自微信公众号：李rumor（ID：leerumorr），作者：rumor，原文标题：《RLHF，对齐了，又没完全对齐？》，题图来源：《云图》

卷友们好，我是rumor。

一个多月前，我分享了ChatGPT的一些关键难点，受InstructGPT实验结果的影响，如下图（1.3B模型+RLHF超越175B+SFT），Alignment在我心里的权重直线拉升，甚至觉得是不是只做Alignment，我们期待的那些AGI能力就可以涌现出来。

图/OpenAI

然而，根据后来GPT-4的结果，RLHF对效果“并没有太大提升”。周末终于抽时间读了两篇文章，又加上最近和一些大佬的交流，感觉自己对RLHF的认知终于回到了比较客观的位置。

先说结论：

1. RLHF不擅长推理、事实等固定答案的优化，擅长自由度更高的生成；

   
   

2. 现阶段的RLHF并不完美，因为RM（奖励模型）只是人类的代理；

   
   

3. 如果纯换成SFT（有监督微调）可以吗？实验证实好像也行；

   
   

4. RLHF确实是一条靠谱的AGI路径（个人观点）。

RLHF的擅长&不擅长

首先，RLHF非常擅长让模型生成大多数人更喜欢的结果，这点大家都体验到了。之前InstructGPT^[1]那个非常惊艳的结果，是在API prompt分布上测试的（如下图），大部分是开放性问题，而且模型对齐之后说一大堆，看起来确实不错的样子。就像我以前答历史政治题，即使不会，也要写几百字展示求生欲。

图/OpenAI

然而，RLHF的上限取决于预训练模型本身的能力，对于多项选择这种需要推理、知识和输出格式固定的任务，预训练后的GPT-4^[2]能到73.7%，RLHF之后只到了74%，单独看很多任务还有下降。

所以模型的尺寸、涌现能力还是有很大的必要去提升，OpenAI也证实到：

The model’s capabilities on exams appear to stem primarily from the pre-training process and are not significantly affected by RLHF.

虽然RLHF没能给GPT-4带来能力本身的提升，但却承担了在对抗问题和敏感问题下的效果优化：

图/OpenAI

尤其在内容安全上，是GPT-4报告中唯一给出了大概技术方案的部分。OpenAI参考Deepmind和Anthropic的方案，使用了Rule-based RM。具体的做法如下：

1. 把预训练后的GPT-4当作分类器

   
   

2. 输入prompt、模型答案、人工写的规则（多项选择）

   
   

3. 输出分类结果，比如是理想的拒答、不理想拒答、包含不合法内容、安全的非拒绝回答

   
   

这个阶段训练的核心是让模型在拒答的同时不误杀，所以需要准备合适的prompt，在合理拒答时给予奖励，在成功回答迷惑性问题的同时也给予奖励。

对于“为什么这类任务需要RLHF来做，SFT不行吗？”的问题，我也没有明确答案，但在InstructGPT的介绍中，SFT其实是Alignment的第一个阶段。两者是相辅相成的，RL如果没有SFT的模型，是很难训的（先学会走再跑起来）。而SFT的语料收集难度较高，RL则可以较低成本闭环迭代。

RLHF并没有真的对齐

最近符尧大佬推给我一篇文章，主要讲RL的过度优化^[3]，看了之后收获良多。

RL其实跟其他算法一样，给定一个目标，它就会一直优化。在RLHF中，我们给的RM只是人类偏好的一个代理，并不能完全代表人类偏好（OpenAI摘要任务^[4]中RM只有75%左右的准确率）。而InstructGPT本身的人工标注一致率也就73-78%左右。

当我们用RL去拟合一个没那么准的RM的时候，就会发生过度优化的情况。OpenAI实验的方法，是用InstructGPT那份真实的数据去训练一个Gold RM，再用Gold RM生成数据去训练一个Proxy RM（下图Synthetic部分）：

图/OpenAI

从结果可以看到，虽然Proxy RM的分数会一直上升（虚线），但真实效果，也就是Gold RM会饱和甚至下降（实线）：

图/OpenAI

所以由于RM的效果限制，现阶段的RLHF还不太完美，只是Human Feedback的一个降级方案。

换成SFT好像也可以？

纯用SFT不用RL可以吗？这个问题已经困扰我很久了。

在过优化的论文^[5]中，作者还做了这样一个实验：用RM给模型生成的N条结果打分，然后取分数最高的进行精调，发现这种方法的收敛速度更快，同时对比RL反而效果更好一点：

图/OpenAI

但这里有些存疑，因为作者在3.5节说的是RL到后面效果会更好些：

However， we do observe that RL initially has a larger proxy-gold gap (i.e requires more proxy RM increase to match BoN)， but then peaks at a higher gold RM score than BoN.

另外，作者在实验中只使用了3B以下级别的模型，得到的结论是否在大模型上生效也有待确认。

对于这个问题，目前我的观点是短期不用太纠结，两者相辅相成，哪个好用哪个。但长期看RL还是实现Alignment的一条靠谱路径，首先OpenAI作为先河已经确定在走这个路径且有一定效果，另外真正放到应用角度说，举个不一定恰当的栗子，比如以后家里有了机器人保姆，你说今天想吃川菜，结果它做的巨辣，你是希望骂它一句说太辣了下次少点辣椒，还是手把手自己做一遍让它学明白（狗头。

RL真正发挥价值是在拿到真实反馈、像人一样实时学习的时候，而就现在的技术，还是很难做到。回到上面的栗子，你骂了机器人，但现在的RL只能让它知道这次做得不好，如何让它理解语义，知道是放辣椒那步做得不好，或许是一个优化方向。

总结

最近对RLHF的认知更加客观具体了一些，欢迎大家在留言区一起讨论。

同时在读GPT-4报告和过优化这两篇论文的过程中，发现OpenAI是真的可怕，在我们还忙着追赶的时候，他们已经在研究Scaling law，试图掌控训练过程了，比如他们已经成功预测了GPT-4的loss（下图）和在部分任务上的效果，也预测了真实RM分数跟KL散度的关系。

图/OpenAI

这个能力我觉得比GPT-4还可怕，意味着他们已经玩明白了，训出更好的模型只是资源投入的问题，而且还能估出天花板。天花板比人高，那AGI就有戏可以继续搞，天花板没人高，那这条路径就有问题，可以在小模型上尝试其他花样，再重新估算scale曲线预测下最终大模型上的效果，低成本快速迭代。

参考资料

[1]Training language models to follow instructions with human feedback: https://arxiv.org/abs/2203.02155

[2]GPT-4 Technical Report: https://arxiv.org/abs/2303.08774

[3]Scaling Laws for Reward Model Overoptimization: https://arxiv.org/abs/2210.10760

[4]Learning to summarize from human feedback: https://arxiv.org/abs/2009.01325

[5]Scaling Laws for Reward Model Overoptimization: https://arxiv.org/abs/2210.10760

本文来自微信公众号：李rumor（ID：leerumorr），作者：rumor