LLM面面观之LLM复读机问题及解决方案

原创 2023-12-14 15:34:22 3.4k 阅读 AI写同款

收录于

LLM

mengrennwpu

码龄15年墨衍会员 · AI 创作全网分发

262粉丝87篇原创

关注

Unity游戏开发实战：如何用科大讯飞离线语音合成SDK实现NPC对话（附完整代码）本文详细介绍了如何在Unity游戏开发中使用科大讯飞离线语音合成SDK实现NPC对话系统。通过完整的代码示例和优化技巧，开发者可以快速集成本地语音合成功能，提升游戏沉浸感，同时避免网络延迟问题。文章涵盖SDK集成、核心语音合成模块实现以及高级应用技巧，特别适合RPG游戏开发者参考。阅读详情

AI摘要

本文探讨了LLM复读机问题的成因，涉及贪心解码和模型倾向性，提出基于训练的DITTO方法和基于解码的策略如beamsearch、randomsearch和温度调整。

1. 背景

关于LLM复读机问题，本qiang~在网上搜刮了好几天，结果是大多数客观整理的都有些支离破碎，不够系统。

因此，本qiang~打算做一个相对系统的整理，包括LLM复读机产生的原因以及对应的解决方案。

2. LLM复读机示例

示例1：短语级别的重复

User: 你喜欢北京么？

AI: 北京是中国的首都，有很多名胜古迹，如长城，故宫，天坛等，我十分喜欢喜欢喜欢喜欢…..

示例2：句子级别的重复

User: 你喜欢北京么？

AI: 北京是中国的首都，有很多名胜古迹，如长城，故宫，天坛等，我十分热爱北京，我十分热爱北京，我十分热爱北京，…..

3. LLM复读机原因

本文主要参考了清华大学的论文《Learning to Break the Loop: Analyzing and Mitigating Repetitions for Neural Text Generation》，文中详细介绍了LLM产生复读的原因。论文的前提假设是LLM的解码均为贪心解码(greedy decoding)，即每次生成的token选择词表中概率最大的token。

结论如下：

(1) LLM趋向于提高重复先前句子的概率

特别地，即使仅出现一条句子级的上下文重复，重复的概率在大多数情况下也会增加。产生这种现象的原因可能是LLM对上下文非常有信心，当先前的token共享同一个句子级的上下文时，模型会学到一条捷径，直接复制该token。

另一种解释就是Inudction Head机制，即模型会倾向于从前面已经预测word里面挑选最匹配的词。

举个例子来说明下，示例1中的第二个’喜欢’共享了同句子中的’我十分喜欢’，因此模型直接会将’喜欢’拷贝至’我十分喜欢’，进而生成’我十分喜欢喜欢’

(2) 自我强化效应(self-reinforcement effect)

重复的概率几乎随着历史重复次数的增加而单调增加，最终，重复概率稳定在某个上限值附近。

一旦生成的句子重复几次，模型将会受困于因自我强化效应引起的句子循环。

下图是论文中的图，意思是随着重复次数的增加，’general’一词的概率几乎单调增加，最终趋于稳定。其中红柱表示生成相同token的概率，蓝色表示最大概率。

(3) 初始概率较高的句子通常具有较强的自我强化效应。

4. 如何解决

目前针对LLM重复生成的问题，主要有两种策略，一种是基于训练思想，一种是基于解码策略。

4.1 基于训练策略

整体思想就是通过构造伪数据，即短语重复、句子重复等伪数据，如短语或句子重复N遍，然后设计重复惩罚项来抑制大模型生成重复句子。

论文中提出了DITTO方法即采用了此策略，DITTO全称为PseuDo RepetITion PenalizaTiOn(不得不佩服算法名称的设计精美~)。

重复惩罚项通过设计损失函数来达成，其中λ是惩罚因子，论文中提到，对于开放式生成，推荐λ

取值为0.5，对于总结摘要类任务，取值为0.9性能更好。

代码分析：

DITTO损失函数计算的代码块位于https://github.com/Jxu-Thu/DITTO中”DITTO/fairseq/custom/repetetion_penalty_accum_loss.py”方法中，大体流程简要分析如下：

# 构造随机重复的特征
sample, P, L, N, K = self.re_orgnize_sentence(sample)
# 基于构造的重复特征进行预测
net_output = model(**sample['net_input'])

……….

## 计算损失函数
# 获取重复的基线概率信息
gt_probs, mask, valid_tokens = self.obtain_rep_baseline_prob(model.get_targets(sample, net_output), target_probs.detach(), P, L, N, K)
# 损失函数公式套用
one_minus_probs = torch.clamp((1.0 - torch.abs((target_probs - gt_probs*self.rep_reduce_gamma))), min=1e-20)
loss = -torch.log(one_minus_probs) * mask
loss = loss.sum()

此外，基于训练的策略还有其他方式，如UL(unlikelihood training)和SG(straight to gradient)，论文链接可以参考第6小节。