怎么样自己制作网站,google在线网页代理,医院网站建设哪家好,石家庄建设局官方网站论文速读|Dynamic Rewarding with Prompt Optimization Enables Tuning-free Self-Alignment of Language Models 论文信息#xff1a; 简介: 本文讨论的背景是大型语言模型#xff08;LLMs#xff09;的自我对齐问题。传统的LLMs对齐方法依赖于昂贵的训练和人类偏好注释 简介: 本文讨论的背景是大型语言模型LLMs的自我对齐问题。传统的LLMs对齐方法依赖于昂贵的训练和人类偏好注释这限制了它们的可扩展性和实用性。随着LLMs变得更复杂和广泛采用对于成本效益高、注释效率高且能快速适应的对齐策略的需求日益迫切。自我对齐旨在通过利用模型本身来提高LLMs的对齐例如用模型生成的反馈替换人类反馈合成偏好数据或自我批评。然而这些方法仍然需要大量的资源包括成本高昂且不稳定的RLHF从人类反馈中学习的强化学习调整以及一定程度的人类监督。本文解决的问题是如何在不进行昂贵调整或注释的情况下实现LLMs的自我对齐。具体来说它旨在降低与LLMs对齐相关的成本并提高模型适应不同对齐挑战的效率。本文提出了一种无需调整的自我对齐方法称为动态奖励与提示优化DRPO它利用基于搜索的优化框架使LLMs能够迭代自我改进并制定最优的对齐指令无需额外的训练或人类干预。 论文方法: 本文提出的方法是动态奖励与提示优化DRPO它基于搜索的提示优化PO框架构建使LLMs能够自我纠正并自动制定详细的对齐指令。DRPO的核心创新在于其动态奖励机制该机制与优化框架集成允许基于特定查询动态调整LLMs的奖励以识别和解决模型的对齐盲点。具体来说DRPO包括以下几个步骤 问题表述给定一个LLM B对齐指令由系统提示P和一组N个上下文学习ICL示例I组成。目标是找到最佳的P和IK以最大化模型响应的对齐。 动态奖励与提示优化DRPODRPO将系统提示和ICL示例分别优化采用两步优化方法。首先构建一个通用的ICL示例集并优化它们的响应以获得I*然后基于优化后的通用集I估计模型特定的系统提示P。 动态奖励机制将优化问题表述为马尔可夫决策过程MDP状态s代表优化目标动作a基于给定状态的对齐反馈定义。动态奖励函数R可以根据特定查询动态调整以灵活地评分和评估响应。 ICL示例优化从一组基础ICL示例开始目标是找到一个通用集I*以最大化跨不同模型的对齐。通过搜索树的状态s0 bi初始化并使用动态奖励函数R评估和改进对齐。 系统提示优化使用K个优化的ICL示例IK通过相似性检索选择。收集一组种子样本X用于测试基础模型B的对齐。目标是找到最优提示P以最大化LLM B的对齐。 论文实验: 根据Table 1论文中的实验旨在评估动态奖励与提示优化DRPO方法在不同大型语言模型LLMs上的性能并与基线方法进行比较。实验使用了just-eval-instruct基准测试这是一个合并了五个流行对齐数据集的标准对齐基准包含1000个示例用于全面和细致地评估LLM对齐。这些示例中前800个评估模型的帮助性剩下的200个评估无害性。评分标准从1到5分别代表“强烈反对”、“反对”、“中立”、“同意”和“强烈同意”。DRPO在所有模型上的表现均优于基线方法无论是未经调整的模型还是经过SFT/RLHF调整的模型。在未经调整的模型如Mistral 7b和Llama 2 70bq上应用DRPO后其表现甚至超过了经过RLHF/SFT调整的模型。DRPO在URIAL使用的ICL示例数量更少的情况下仍然实现了优于URIAL的性能这突显了DRPO优化对齐指令的质量。表中还提到尽管just-eval-instruct包括了安全指标但所有方法RLHF/SFT、URIAL和DRPO在安全指标上都取得了一致的高分表明像DRPO这样的无需调整的方法可以实现非常安全且符合人类价值观的模型。 论文链接
https://arxiv.org/abs/2411.08733
原文来自
NLP论文速读EMNLP 2024|动态奖励与提示优化来帮助语言模型的进行自我对齐
