InstructGPT论文解读_instructgpt rm模型

介绍

上图可以看出InstructGPT(PPO-ptx)及变体（variant trained without pretraining mix）(PPO)显著优于GPT，1.3B的InstructGPT优于175B的GPT，SFT作为RLHF第一阶段的模型效果比GPT好。当然结果是由人来评价的。

RLHF包含三个步骤：

1. SFT: 对话数据微调基座语言模型，
2. RM: 评分数据微调RM模型
3. PPO: SFT模型生成答案，RM模型评分，PPO算法对SFT模型强化学习，进一步改进生成效果

下图就是3个阶段

蓝色箭头表示该数据用于训练我们的一个模型。在步骤2中，框A-D是由标签者排序的模型样本

InstructGPT训练了三种尺寸（1.3B， 6B， 175B）

InstructGPT生成的答案相比GPT3更加真实，同时在摘要和问答上也不会过度编造内容。

在公共数据集上微调的模型比InstructGPT表现差，公共数据集特定任务的原因。

InstructGPT泛化能力较好，即使在训练数据中分布较小的任务上也能获得好的测试效果。

InstructGPT还是存在编造事实，简单问题给出冗长模棱两可的回答，无法检测错误的前提。

本文的其余部分结构如下:我们首先在第2节详细介绍相关工作，然后在第3节深入介绍我们的方法和实验细节，包括我们的高级方法(3.1)，任务和数据集细节(3.3和3.2)，人类数据收集(3.4)，我们如何训练我们的模型(3.5)，以及我们的评估程序(3.6)。然后，我们在第4节中展示了我们的结果，分为三个部分:API提示分布的结果(4.1)，公共NLP数据集的结果(4.2)和定性结果(4.3)。最后，我们在第5节中对我们的工作进行了扩展讨论，包括对齐研究的含义(5.1)，我们对齐的内容(5.2)，限制(5.3)，开放问题(5.4)以及本工作的更广泛影响(5.5)。

相关工作

关于RLHF和语言对齐的工作从2016到2022就一直在NLP任务上使用，InstructGPT是在更广泛的NLP任务上使用RLHF。

使用instruction微调LM，有助于提高泛化能力。

实验细节

InstructGPT使用用户提出的prompt进行第一阶段的训练，第二阶段和第三阶段可以循环，即使用RM训练PPO，然后PPO后产生更好的RM数据，再训练。

第一个InstructGPT训练数据来自标注者的标注数据作为种子数据进行训练。主要三类数据：

1. Plain: 我们简单地要求标注者提出一个任意的任务，同时确保任务具有足够的多样性
2. Few-shot: 我们要求标注者提出一条指令，以及该指令的多个查询/响应对。
3. User-based: 我们在OpenAI API的等待列表应用程序中列出了许多用例。我们要求标注者提出与这些用例相对应的提示

SFT数据集包含大约13k个训练提示(来自API和标注器编写)，RM数据集有33k个训练提示(来自API和标注器编写)，PPO数据集有31k个训练提示(仅来自API)。[第一次训练]

提交给InstructGPT模型的更多提示见附录A.2.1，提交给GPT-3模型的提示见附录A.2.2。我们在附录A中提供了关于我们数据集的更多细节。

数据收集

更多任务更广泛的数据，也有一些敏感话题。需要对标注员进行培训。

SFT：监督学习对GPT-3微调，训练了16个epoch，cosine学习率，残差的dropout是0.2。使用RM模型在验证集上选择分数最高的SFT模型，训练一轮，SFT就会过拟合，但还是要训练更多轮。

RM：RM模型的结构是去除最后嵌入层的SFT，6B的RM比175B训练过程更稳定。评分数据是在相同输入下，多个模型给出输出，然后对所有输出进行评分。相同prompt的输出两两做成一对作为一个训练数据，这多对数据需要放在一个batch中，这样一个prompt就一次前向传递。如果分散到多个batch，相当于每对看作single，一个epoch就会过拟合。

RL：

评价：1）在用户提交给openai的prompt上测试，2）公开的NLP数据集

实验结果

instructgpt相比GPT3更能遵守prompt,不容易瞎编内容，更适合做助手。

公共的NLP数据集不能完全测试InstructGPT的能力，因为公共NLP数据集中的分类问答等任务只占到InstructGPT训练数据分布的一小部分（18%），更多的prompt是关于生成和头脑风暴的（57%）

在传统的NLP任务上，在zero-shot和few-shot时，InstructGPT并一定比GPT3更好。有时候给InstructGPT提问，模型没给出明确答案，但给了几个可能的答案，实际正确答案就是可能答案中，原因可能是模型有点谦虚。

讨论

增加模型对齐的成本相对于预训练是适度的：训练SFT和PPO模型的成本远小于GPT3的成本。（练我们的175B SFT模型需要4.9 petaflops/s-days，训练我们的175B PPO-ptx模型需要60 petaflops/s-days，而GPT-3需要3640 petaflops/s-days）

附加

数据集大小

注意RM的数据集需要进行拼凑，实际大小比上述大一个数量级。

模型细节

所有模型架构都使用GPT-3架构(Brown et al, 2020)。对于奖励模型和价值函数，将原模型的非嵌入层替换为投影层，输出标量值。所有模型都使用fp16的权重和激活，并使用fp32的权重主副本。所有模型都使用与Brown等人(2020)相同的字节对编码（BPE）。我们所有的语言模型和RL策略的上下文长度都是2k个令牌。我们过滤掉超过1k个tokens的prompts，并将最大响应长度限制为1k个tokens。所有模型都使用Adam优化器进行训练。

SFT

我们训练了16个epochs的SFT模型，残差的dropout是0.2。我们使用的余弦LR调度降低到原始学习率的10%，没有学习率预热。1.3 B和6B模型，我们使用的LR为9.65e-6，批量大小为32。对于175B，使用的LR为5.035 -6，批量大小为8。为了选择学习率，对1.3 b和6B的7个LRs和175B的5个LRs进行了几何搜索。我们还使用几何搜索调整了epoch的数量，最后的模型是根据RM分数选择的，我们发现与验证损失相比，RM分数更能预测人类偏好结果。

RM

我们训练了一个单独的6B奖励模型，我们将其用于所有大小的PPO模型。较大的175B RM有可能实现更低的验证损失，但是(1)它们的训练更不稳定，这使得它们不太适合用作PPO值函数的初始化;(2)使用175B RM和值函数大大增加了PPO的计算需求。在初步实验中，我们发现6B RMs在广泛的学习率范围内是稳定的，并导致同样强大的PPO模型。

2最终的奖励模型是根据一个6B GPT-3模型初始化的，该模型在各种公共NLP数据集(ARC、BoolQ、CoQA、DROP、MultiNLI、OpenBookQA、QuAC、RACE和Winogrande)上进行了微调。这主要是由于历史原因;当从GPT-3或SFT模型初始化RM时，我们发现类似的结果。我们在完整的奖励模型训练集(见表6)上以lr = 9e-6的学习率，cosine learning rate schedule(在训练结束时下降到其初始值的10%)和批大小为64的单个epoch进行训练。训练似乎对学习率或schedule不太敏感;学习率变化高达50%也会产生类似的效果。训练对epoch的数量非常敏感，多个epoch会迅速将模型与训练数据过拟合，验证损失变大。这里的批大小表示每批的不同数量的提示（The batch size here represents the distinct number of prompts per batch）。每个提示有K = 4到K = 9个labeled completions（组合就是从K中选择2个作为一组 ( K 2 )

$$\begin{pmatrix} K\\ 2 \end{pmatrix}$$ (K2​)）。分数相同的组会被丢弃。因此，单个批次可以包含多达64 × $\left(\begin{array}{c}K\\ 2\end{array}\right)$≤2304次比较。

RLHF初始化模型的详细信息

我们从预训练的GPT-3模型初始化RLHF模型，并对演示数据集进行2次监督微调。我们还在微调期间混合了10%的预训练数据，因为我们发现这对PPO训练很有帮助(详见附录E.11)。使用余弦学习率调度，学习率最终衰减到峰值学习率的10%。1.3 b和6B型号我们使用32个batch，175B型号使用8个batch。我们比较每个模型的几个不同的峰值学习率，并选择一个在演示和预训练验证数据集上损失低的模型。对1.3B和6B模型的5个LR值进行了对数线性扫描，而175B模型选了3个。1.3 b, 6B和175B型号的最终LR分别为5e-6, 1.04e-5和2.45e-6

RLHF训练的细节

然后，我们用预训练混合从上述监督微调模型初始化RL策略。这些模型也用于计算KL奖励，与(Stiennon等人，2020)相同，β = 0.02。我们训练了256k episodes 的所有RL模型。在使用PII和基于公共前缀的重复数据删除过滤掉提示之后，这些集包括大约31k个唯一提示。每次迭代的批大小为512,minibatch大小为64。换句话说，每个批次被随机分成8个小批次，并且只训练一个内部epoch (Schulman et al, 2017)。在前10次迭代中应用恒定的学习率和预热，从峰值学习率的十分之一开始。采用加权指数移动平均，衰减率为0.992。在估计广义优势时不应用折扣(Schulman et al, 2016)。PPO的clip ratio设置为0.2，采样温度为1。

如前所述，对于所有PPO模型，我们使用6B RM和6B值函数，后者由前者初始化。通过对所有模型大小的策略使用相同的6B奖励模型和价值函数，可以比较策略模型大小对策略性能的影响。对于1.3 b和6B策略使用固定学习率9e-6，对于175B策略使用固定学习率5e-6。

我们最初的RLHF实验显示了在公共NLP数据集(如SQuADv2和DROP)上的回归，并且我们通过在PPO训练期间混合预训练梯度来缓解回归。我们使用的预训练样本数量是RL训练集数量的8倍。预训练数据是从用于训练GPT-3模型的数据集中随机抽取的。对于每个minibatch，我们连续计算PPO梯度和预训练梯度，并将它们累加到梯度缓冲区中。我们将预训练梯度乘以系数γ = 27.8(见公式2)，以控制PPO和预训练分布的梯度的相对强度。

FLAN和T0模型

我们通过在FLAN和T0数据集上微调175B GPT-3模型来获得FLAN和T0基线。由于T0比FLAN(1.2M数据点)包含更多的数据(96M数据点)，我们对T0进行了次采样，使每个模型的训练数据量具有可比性。请注意，原始模型在数据点可以重复的数据点上进行训练，但是在我们的数据点中，我们遍历每个数据点而不重复(为了更好地匹配我们训练SFT基线的方式)。我们应用了余弦学习率计划，并尝试每个数据集的初始学习率为4e-6和6e-6。在训练结束时，学习率下降到峰值的10%，我们在两个实验中都使用64个批处理大小。

为了选择最佳的FLAN检查点，我们使用6B奖励模型对提示的验证集的完成情况进行评分。如图13所示，在最初的400k个训练示例之后，奖励达到饱和。这表明，即使训练时间更长，也不太可能提高人类的评估表现。我们为我们的人类评估选择了RM得分最高的检查点，即学习率为4e-6并且训练了896k个示例的检查点。

参考

https://arxiv.org/abs/2203.02155