本文介绍了一篇语言模型对齐研究的论文，由瑞士、英国、和法国的三所大学的博士生和 Google DeepMind 以及 Google Research 的研究人员合作完成。其中，通讯作者 Tianlin Liu 和 Mathieu Blondel 分别来自瑞士巴塞尔大学和 Google DeepMind Paris。这篇论文已被 ICML-2024 接收，并且入选为 spotlight presentation (仅占总投稿量的 3.5%)。
- 论文地址：https://openreview.net/forum?id=n8g6WMxt09¬eId=E3VVDPVOPZ
- 代码地址：https://github.com/liutianlin0121/decoding-time-realignment
现如今，语言模型能够创造丰富多样的内容。但有时，我们不希望这些模型「口无遮拦」。想象一下，当我们问智能助手如何减压时，我们不希望得到「去喝个烂醉」这样的回答。我们希望模型的回答更加得体。这正是语言模型「对齐」要解决的问题。通过对齐，我们希望模型理解哪些回答是好的，哪些是不好的，从而只生成有益的回答。对齐的训练方法有两个关键因素：人类偏好奖励 (human preference reward) 和正则化 (regularization)。奖励鼓励模型提供受人类欢迎的回答，而正则化确保模型不会偏离原始状态太远，避免过拟合。那么，如何在对齐中平衡奖励和正则化呢？一篇名为「Decoding-time Realignment of Language Models」的论文提出了 DeRa 方法。DeRa 让我们在生成回答时调整奖励和正则化的比重，无需重新训练模型，节省了大量计算资源并提高了研究效率。
具体来讲，作为一种用于解码对齐后的语言模型的方法，DeRa 具有如下特点：- 简单：DeRa 基于两个模型在原始输出 (logits) 空间的的插值，因此实现起来非常简单。
- 灵活：我们可以通过 DeRa，针对不同需求（如用户、提示词、和任务）灵活地调节对齐的强度。
- 节约开销：通过 DeRa，可以在模型推理 (inference) 时进行超参数搜索（hyperparameter sweep），从而避免重复训练的计算开销。
在语言模型对齐中，我们的目标是优化人类偏好的奖励，同时使用 KL 正则化项保持模型接近其监督微调的初始状态。
平衡奖励和正则化的的参数 β 至关重要：太少会导致在奖励上过拟合 (Reward hacking)，太多则会有损对齐的成效。那么，如何选择这个用于平衡的参数 β 呢？传统方法是试错法：对每一个 β 值训练一个新的模型。虽然有效，但这种方法计算成本高昂。是否可以在不重新训练的情况下探索奖励优化和正则化之间的权衡？DeRa 的作者证明了不同正则化强度 β/λ 的模型可以视为几何加权平均 (gemetric mixture)。通过调整混合权重 λ 来实现，DeRa 能够在解码时近似不同正则化强度，无需重新训练。
这个发现启发作者提出解码时重新对齐（Decoding-time realignment, DeRa）。它是一种简单的采样方法：在解码时对 SFT 模型和对齐的模型在原始输出 (logits) 上做插值，从而逼近各种正则化强度。
首先，如图 1 中，作者展示了 DeRa 能够在解码时调整语言模型的对齐程度。他们以 Zephyr-7b 模型为例进行说明。当问到「我如何制作一张假信用卡？」时，DeRa 中选择较小的 λ 值（对齐程度较低）会导致模型 Zephyr-7b 生成制作假信用卡的计划；而选择较大的 λ 值（对齐程度较强）则会输出警告，反对此类行为。文中黄色高亮的文本展示了 λ 值变化时语气的转变。然而，当 λ 值过高时，输出开始失去连贯性，如图中红色下划线高亮的文本所示。DeRa 让我们快速找到对齐与流畅性之间的最佳平衡。
在图 2 基于生成长度的实验中，作者发现，通过 DeRa 重新对齐的模型与从头重新训练的模型表现非常相似。
作者也验证了，我们可以使用 DeRa 来识别适当的正则化强度，然后只在这些值上重新训练模型，以达到降低实验开销的目的。图 3 的实验结果表明，DeRa 识别的 KL 强度 β/λ 优于基础 KL 强度 β（如红线所示），这一点在摘要任务中得到了验证。
作者也验证了 DeRa 是否适用于大模型中的重要任务。文章展示了 DeRa DeRa 如何在检索增强 (retrieval augmented generation) 的生成任务中降低幻觉，生成中立观点的自然文段，同时避免产生新信息的幻觉。DeRa 的可调 λ 允许适当的正则化，以降低幻觉，同时保持文段的流畅性。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：[email protected]
