一、论文信息
论文名称：Training a Helpful and Harmless Assistant withReinforcement Learning from Human Feedback
作者团队：
发表时间：2022年4月12日，比insturctgpt晚40天，比chatgpt发布早半年
模型比较：Instruct GPT、ChatGPT: 把东西很快的做出来，用户使用，采集用户数据，再提升模型性能（快速发布、小步快跑、敏捷开发）；Anthropic LLM: 先考虑模型安全性，将模型做的尽可能完善以后再发布。（追求成熟且安全的模型）开发了自己的语言模型Claude，仅有内测版本；在ChaptGPT发布5个月前就写出了论文，技术和整个形态类似chatgpt，但没有发布自己的模型。
名词简介：（本文较长，一些名词简介）
二、摘要+引言
主要研究点：把对喜好的建模和RLHF用来做微调语言模型使得模型是有效且无害的。
模型功能：可以提升几乎所有自然语言的评估性能，还可以实现一些额外的技能，如coding，摘要，写作等，模型足够大时可以学到很多种类技能。
模型更新：并且使用迭代的在线学习训练，每星期训练一个新的奖励函数和RL策略，训练了新的模型以后重新进行人工标注，不断更新。
数据标注（不完全流程）：
主要贡献：
1）收集到一个对话的喜好数据集_多轮，（更像chatgpt，Instruct gpt为QA_单轮）
2）在多个任务上对齐了人的喜好，小模型可能会有“alignment taxes”；讨论模型的有用和无害冲突（OOD拒绝回答）
3）模型更新：采用迭代式在线强化学习更新模型。
数据收集和模型训练流程：
模型总体性能对比：
X轴：可学习参数大小 ；Y轴：Elo分数（类似于比赛积分，越高越好）
蓝色折线为上一代技术（上下文蒸馏），橙色为本文所用的技术RLHF，粉色为人类专家分数。520亿可学习参数就可以达到人类的下限，如果在线学习可以与人类持平，不考虑有害性有可能会超越人类。
RLHF模型迁移到NLP模型的性能对比：
不同大小的模型在原始语言模型和做对齐训练的区别（更符合人的喜好）。 本图探讨当模型像人类喜好对齐以后其他技能（问答、选择）有无下降。
左图为zero-shot，模型参数小的时候（10亿以内）有一定下降，但模型很大时对齐学习效果反而更好；
右图为few-shot，每次做任务时在prompt中会给出少部分样例学习，小模型同样要付出一些代价，但大模型不影响。
三、数据准备
收集数据动机：简单任务可能直接使用无监督效果更好，复杂的任务引入人类的标注可能会有助益。
标注检查：标注过程会随机检查标注者的写作（问题提的好不好），标注过程没有筛选一致性，专业人员与标注者判断A好还是B好的一致性只有63%，标注如下：
但同时在两种数据训练时，模型容易分裂，目前正在逐步提升。
标注数据针对的模型有3类：
1）HHH Context-Distilled: Base模型，上下文蒸馏的语言模型，类似于chatgpt里边的带监督的微调，但更简单一点，无微调。（4.4万有效，4.2万有害）
2）Rejection Sampling(RS): 在Base模型的基础上训练了一个奖励函数，去判断生成答案的质量，每次取16个答案，用奖励函数判断谁最好。（5.2万有效，2千有害）
3）RLHF-Finetuned Models: 在线学习模型，RLHF微调过的模型可以继续微调，主要使用上一星期微调的模型再微调，或者把多个模型同时部署，选择更有效的模型。（只有2.2万的有效，考虑模型更新时间与有效性）
模型比较（Elo分数）：
赢率：A模型与B模型比较，A的赢率表示生成的结果有百分之多少的可能比B好。 假设有A、B两个模型，都有对应的Elo分数，将A的Elo分数-B的Elo分数= deltaElo分数，计算完上述公式以后得到赢率。上述公式形式类似sigmoid函数，是PM分数与Elo分数的转换。
四、模型训练
1、喜好模型：喜好模型（奖励函数）PM
对话里包含Prompt和Response回答，prompt = 前面的对话+用户在当前轮问的问题，response=模型最后生成的答案，喜好模型的任务是给response打分。 从13M到52B不同模型大小都训练了一个PM模型。所有模型训练都有三阶段
1）预训练，用所有文本训练一个模型；
2）喜好模型预训练（PMP），在问答、百科网站（wikipedia）中构造了很多对比的答案，比如“这个回答好或不好，点赞/不点赞”，不需人类标注训练；
3）使用人类反馈微调。
喜好模型训练结果-参数大小：
左图：X表示训练对，数据大小，Y表示在不同数据集上的混合精度，不同颜色线表示不同大小的模型。对同一个模型来说，随着数据量的增长模型精度线性提升，同一数据大小，模型越大性能越好。（与instructgpt不同，它认为喜好模型训练比较耗时且不稳定，应该小一点）
右图：当模型参数变大时，在完整数据集上的测试精度，不断上升。
喜好模型训练结果-对话轮数：
左图：X轴1-7轮，大多数对话是4轮
右图：对话轮次与精度，对话轮次变多以后精度也会有一定的下降，下降可能是因为轮数变多，前边的context上下文会变得更长，会造成干扰性。
喜好模型训练结果-是否校验：
虽然训练模型时用二分类，但实际上我们更关心回归问题，预测的分数与真实的质量（赢率）是不是一致。
左图：实际是算PM模型给两个输出的分数差，如果两个回答分数相差1.0，就表示高的比低的70%可能好。
右图：只算有效性（右图）吻合的更好。
PM分数作为强化学习的奖励信号，PM预测越准RL训练也会更加稳健。
2、RLHF（Reinforcement Learning from Human Feedback)基于人类反馈的强化学习
训练分两步：
1）先训练喜好模型PM（奖励函数）这样就能评估模型反馈的质量。
2）再去训练RL的policy，使得它能够生成PM模型认为分数比较高的结果。 用训练的喜好模型PM指导接下来的模型迭代，使得模型能够输出PM认为好的答案。
具体训练需要用到PPO(Proximal Policy Optimization近端策略优化)算法：
目标函数有两点：1）优化模型输出使得PM给的奖励最高；2）避免模型跑太远。 policy0是刚开始的点，上一轮模型；policy是上一轮模型往外迭代的一个模型，需要计算policy0与policy之间的KL散度（用来判断两个概率分布的区别），模型值越大表示两个模型差别越大，我们希望差别不那么大。入是超参数，一般DKL<100，乘超参以后值大概0.1，可能会比rPM小很多。
rPM就是喜好模型的输出，如果有两个答案A和B，B的分数-A的分数作为指数放进sigmoid，就表示A比B好的概率。
3、鲁棒性分析：
RLHF不那么稳定，所以想要提升它的稳定性。主要关注喜好模型（奖励函数）的稳定性，一个好的喜好模型应该与人对齐，人觉得好，喜好模型应该给予更高的分数。如果两个答案都比较好，PM模型区分会困难。
具体将标注数据分为两类并分别训练PM模型，一类是训练PM模型，一类为测试PM，一块为测试PM，在RLHF时用训练PM指导它学习，RLHF学的模型使得我的模型输出更符合你要的分数，尽量优化使得在你的模型上得到的分数更高，再去看在测试的PM上是不是新的模型得到的值也会更高，如果是这样那表示模型在新的数据上是比较稳健的，如果有差别则表示过度优化。
模型更新程度与性能：
左图：X轴是模型更新的程度，可以认为训练了多少数据，为新模型和旧模型的KL散度。Y轴是测试PM上的分数。 当训练数据越来越多时，测试PM的分数也在提升，更大的模型提升也会更好。
右图：训练PM的大小和模型大小一样，对于小模型当训练数据越来越多时并没有带来PM上性能的提升。
RL调试后的模型与之前模型距离的平方跟之前的奖励成线性关系：
π是刚开始的模型，通过RL更新的为δπ，如果将π看作向量，则可以将δ近似看作一个标量，当δ不大的时候，大概在一个比较小的δπ的区间里，可以期待整个奖励是与δ成线性关系，δπ在比较小的区域里是跟根号DKL是成正比的关系。即在更新不远时，根号DKL与效果是线性关系。有了这个关系之后，可以估计多好的效果需要多少的数据点。
4、有效性和无害性的冲突
过度优化无害性：我不知道、寻求专业人员帮忙
有用和无害的数据集的PM分数不同，无害的分布更低，比较不满意，随着数据集增加有在慢慢提升，收敛之后也是低于有效性。
解决方法：在没有更好的办法以前，多采样一些有用性数据，少采样无害性。
5、模型更新：迭代式在线RLHF
当模型越来越好，生成的答案的评估值也会越来越好，PM在高分数的地方校验性会变得很差，这时需要更新喜好模型：
1）每一次找到当前最好的RLHF Policy（训练模型），再收集一些数据，重新训练一个新的PM，希望模型在高分数答案上分布更准。
2）新得到的数据（模型）与之前的数据（模型）混在一起重新训练一个模型出来。
有效性分布：蓝色base模型的分数，橙色通过Rejection Sampled生成的分数（有奖励函数），灰色在线模型生成的分数。
在线学习的有效性：
橙色基础模型生成的数据，蓝色其中一部分来自在线更新产生的数据，在两个数据同时训练模型，结果表示在线学习生成的数据在模型更好的情况下，对比较好的答案的估计会更准一些。
如何避免特别糟糕的数据
1）限制提问范围，白名单
2）不允许问某些问题，黑名单
3）OOD，收到新问题时去判断是否在训练过的问题里，如果没见过就不回答。