A Critical Evaluation of AI Feedback for Aligning Large Language Models

本文是LLM系列文章，针对《A Critical Evaluation of AI Feedback for Aligning Large Language Models》的翻译。

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-rlaif.

1 引言

2 相关工作

3 LLM微调的算法概述

4 实验

5 RLAIF无效性的可能机制解释

6 向前

</