Aligning Large Language Models with Human: A Survey

本文也是LLM相关的综述文章，针对《Aligning Large Language Models with Human: A Survey》的翻译。

摘要

在大量文本语料库上训练的大型语言模型（LLM）已成为一系列自然语言处理（NLP）任务的领先解决方案。尽管这些模型具有显著的性能，但它们容易受到某些限制，如误解人类指令、生成潜在的偏见内容或事实上不正确（产生幻觉）的信息。因此，将LLM与人类期望相结合已成为研究界关注的一个活跃领域。本调查全面概述了这些对齐技术，包括以下方面。（1） 数据收集：有效收集LLM对齐的高质量指令的方法，包括使用NLP基准、人工注释和利用强大的LLM。（2） 训练方法：详细审查LLM调整所采用的主流训练方法。我们的探索包括监督微调，在线和离线人类偏好训练，以及参数有效的训练机制。（3） 模型评估：评估这些与人类一致的LLM有效性的方法，为其评估提供了多方面的方法。最后，我们整理和提炼了我们的发现，为该领域未来的几个有前景的研究途径提供了线索。因此，对于任何致力于理解和推进LLM调整以更好地适应以人为本的任务和期望的人来说，这项调查都是一项宝贵的资源。收集最新论文的相关GitHub链接可在https://github.com/GaryYufei/AlignLLMHhumanSurvey。

1 引言