本文是LLM系列文章,针对《A Critical Evaluation of AI Feedback for Aligning Large Language Models》的翻译。
用于对齐大型语言模型的人工智能反馈的关键评估
摘要
人工智能反馈强化学习(RLAIF)是一种流行的范式,用于提高强大的预训练语言模型的指令跟随能力。RLAIF首先使用来自教师模型的演示执行监督微调(SFT),然后使用来自评论家模型的反馈通过强化学习(RL)进一步微调模型。虽然最近流行的开源模型已经证明了RL步骤在性能上有了实质性的改进,但在本文中,我们质疑RL步骤的复杂性是否真的适合人工智能反馈。我们表明,RL步骤的改进实际上完全是由于在SFT数据收集中使用比用于人工智能反馈生成的批评者(例如,GPT-4)更弱的教师模型(例如GPT-3.5)的广泛实践。具体来说,我们展示了GPT-4作为教师的简单监督微调优于现有的RLAIF管道。更普遍地说,我们发现RLAIF的收益在基本模型族、测试时间评估协议和评论家模型之间有很大差异。最后,我们对SFT何时可能优于完整的两步RLAIF管道提供了一个机制解释,并提出了使RLAIF在实践中发挥最大作用的建议。代码位于:https://github.com/architsharma97/dpo-