Training language models to follow instructions with human feedback

Long Ouyang; Jeff Wu; Xu Jiang; Diogo Almeida; Carroll L. Wainwright; Pamela Mishkin; Chong Zhang; Sandhini Agarwal; Katarina Slama; Alex Ray; John Schulman; Jacob Hilton; Fraser Kelton; Luke Miller; Maddie Simens; Amanda Askell; Peter Welinder; Paul Christiano; Jan Leike; Ryan Lowe

मानव फीडबैक के माध्यम से निर्देशों का पालन करने के लिए लैंग्वेज मॉडल्स को प्रशिक्षित करना

Long Ouyang, Jeff Wu, Xu Jiang, Diogo Almeida, Carroll L. Wainwright, Pamela Mishkin, Chong Zhang, Sandhini Agarwal, Katarina Slama, Alex Ray, John Schulman, Jacob Hilton et al.

प्रकाशित 2022-03-04cs.CLcs.AIcs.LG arXiv PDF

अनुवाद और AI के साथ पढ़ें

तीन पंक्तियों में सारांश

📌 केवल नेक्स्ट-टोकन प्रेडिक्शन पर प्रशिक्षित बड़े लैंग्वेज मॉडल्स अक्सर उपयोगकर्ता के उद्देश्य का पालन करने में विफल रहते हैं, जिससे विषैले, असत्य या अनुपयोगी उत्तर उत्पन्न होते हैं।
📌 सुपरवाइज़्ड मानव प्रदर्शनों का उपयोग करके GPT-3 को फाइन-ट्यून करता है, रैंक किए गए आउटपुट पर एक 6B रिवॉर्ड मॉडल को प्रशिक्षित करता है, और प्रीट्रेनिंग मिक्स के साथ PPO के माध्यम से पॉलिसी को अनुकूलित करता है।
📌 1.3B InstructGPT के आउटपुट को 175B GPT-3 की तुलना में प्राथमिकता दी जाती है, जबकि 175B InstructGPT 85% मामलों में 175B GPT-3 की तुलना में बेहतर प्रदर्शन करता है और हैल्यूसिनेशन को 41% से घटाकर 21% कर देता है।

सार

लैंग्वेज मॉडल्स का आकार बड़ा करने से स्वाभाविक रूप से वे उपयोगकर्ता के उद्देश्य को बेहतर ढंग से समझने में सक्षम नहीं हो जाते हैं। उदाहरण के लिए, बड़े लैंग्वेज मॉडल्स ऐसे आउटपुट उत्पन्न कर सकते हैं जो असत्य, विषैले (toxic), या उपयोगकर्ता के लिए अनुपयोगी हों। दूसरे शब्दों में, ये मॉडल्स अपने उपयोगकर्ताओं के साथ अलाइन नहीं हैं। इस शोधपत्र में, हम मानव फीडबैक के साथ फाइन-ट्यूनिंग करके कई तरह के कार्यों पर उपयोगकर्ता के उद्देश्य के साथ लैंग्वेज मॉडल्स को अलाइन करने का एक तरीका प्रस्तुत करते हैं। लेबलर द्वारा लिखे गए प्रॉम्प्ट्स और OpenAI API के माध्यम से सबमिट किए गए प्रॉम्प्ट्स के एक सेट से शुरुआत करते हुए, हम वांछित मॉडल व्यवहार के लेबलर प्रदर्शनों का एक डेटासेट एकत्र करते हैं, जिसका उपयोग हम सुपरवाइज़्ड लर्निंग के जरिए GPT-3 को फाइन-ट्यून करने के लिए करते हैं। इसके बाद हम मॉडल आउटपुट की रैंकिंग का एक डेटासेट एकत्र करते हैं, जिसका उपयोग हम मानव फीडबैक से रीइन्फोर्समेंट लर्निंग का उपयोग करके इस सुपरवाइज़्ड मॉडल को और अधिक फाइन-ट्यून करने के लिए करते हैं। हम परिणामी मॉडल्स को InstructGPT कहते हैं। हमारे प्रॉम्प्ट डिस्ट्रीब्यूशन पर मानव मूल्यांकनों में, 1.3B पैरामीटर वाले InstructGPT मॉडल के आउटपुट को 175B GPT-3 के आउटपुट की तुलना में प्राथमिकता दी जाती है, जबकि इसमें 100 गुना कम पैरामीटर हैं। इसके अलावा, InstructGPT मॉडल्स सार्वजनिक NLP डेटासेट्स पर न्यूनतम प्रदर्शन गिरावट के साथ सत्यवादिता में सुधार और विषैले आउटपुट उत्पादन में कमी दिखाते हैं। भले ही InstructGPT अभी भी साधारण गलतियाँ करता है, लेकिन हमारे परिणाम बताते हैं कि मानव फीडबैक के साथ फाइन-ट्यूनिंग लैंग्वेज मॉडल्स को मानवीय उद्देश्य के साथ अलाइन करने के लिए एक आशाजनक दिशा है।

मूल सार (अंग्रेज़ी)

Making language models bigger does not inherently make them better at following a user's intent. For example, large language models can generate outputs that are untruthful, toxic, or simply not helpful to the user. In other words, these models are not aligned with their users. In this paper, we show an avenue for aligning language models with user intent on a wide range of tasks by fine-tuning with human feedback. Starting with a set of labeler-written prompts and prompts submitted through the OpenAI API, we collect a dataset of labeler demonstrations of the desired model behavior, which we use to fine-tune GPT-3 using supervised learning. We then collect a dataset of rankings of model outputs, which we use to further fine-tune this supervised model using reinforcement learning from human feedback. We call the resulting models InstructGPT. In human evaluations on our prompt distribution, outputs from the 1.3B parameter InstructGPT model are preferred to outputs from the 175B GPT-3, despite having 100x fewer parameters. Moreover, InstructGPT models show improvements in truthfulness and reductions in toxic output generation while having minimal performance regressions on public NLP datasets. Even though InstructGPT still makes simple mistakes, our results show that fine-tuning with human feedback is a promising direction for aligning language models with human intent.

पढ़ने की गाइड

समस्या और प्रेरणा

मानक लार्ज लैंग्वेज मॉडल्स (LLMs) वेब कॉर्पोरा पर नेक्स्ट-टोकन प्रेडिक्शन को अनुकूलित करते हैं। यह प्रीट्रेनिंग उद्देश्य उपयोगकर्ता के उस लक्ष्य से मिसअलाइन है, जिसके तहत एक सहायक को निर्देशों का उपयोगी, सत्य और हानिरहित तरीके से पालन करना चाहिए। नतीजतन, GPT-3 जैसे बेसलाइन मॉडल्स अक्सर तथ्यों को मनगढ़ंत बनाते हैं (hallucinate), फर्जी संदर्भ गढ़ते हैं, विषैले टेक्स्ट दर्शाते हैं, या स्पष्ट उपयोगकर्ता बाधाओं की अनदेखी करते हैं। केवल मॉडल पैरामीटर्स का पैमाना बढ़ा देने से ये समस्याएं समाप्त नहीं होती हैं।

मुख्य विचार

ह्यूमन फीडबैक से रीइन्फोर्समेंट लर्निंग (RLHF) के माध्यम से अलाइनमेंट: कच्चे कंटीन्यूएशन की संभावना के बजाय मॉडल आउटपुट को उपयोगकर्ता के उद्देश्यों के अनुकूल ढालने के लिए मानवीय रेटिंग्स का उपयोग करना।
तीन-चरणीय प्रशिक्षण पाइपलाइन: (1) प्रॉम्प्ट-डेमॉन्स्ट्रेशन जोड़ियों पर सुपरवाइज्ड फाइन-ट्यूनिंग (SFT), (2) रैंक किए गए कंप्लीशन्स पर पेयरवाइज़ तुलना के माध्यम से रिवॉर्ड मॉडल (RM) का प्रशिक्षण, और (3) प्रॉक्सिमल पॉलिसी ऑप्टिमाइज़ेशन (PPO) का उपयोग करके पॉलिसी ऑप्टिमाइज़ेशन।
अलाइनमेंट टैक्स में कमी: मानक PPO फाइन-ट्यूनिंग के कारण मानक NLP बेंचमार्क (जैसे, SQuADv2, DROP) पर प्रदर्शन में गिरावट आती है। PPO अपडेट्स (PPO-ptx) में प्रीट्रेनिंग डिस्ट्रीब्यूशन ग्रेडिएंट्स को मिलाने से मानवीय प्राथमिकताओं के लाभ का त्याग किए बिना क्षमता के इस नुकसान को कम किया जा सकता है।

पद्धति (प्रमुख समीकरणों के साथ)

सुपरवाइज्ड फाइन-ट्यूनिंग (SFT): लेबलर्स द्वारा लिखे गए और OpenAI API Playground के माध्यम से सबमिट किए गए लगभग 13k प्रॉम्प्ट डेमॉन्स्ट्रेशन पर बेस GPT-3 मॉडल्स को फाइन-ट्यून करना।
रिवॉर्ड मॉडल प्रशिक्षण: प्रत्येक प्रॉम्प्ट $x$ के लिए, लेबलर्स $K$ कंप्लीशन्स ( $K \in [4, 9]$ ) को रैंक करते हैं, जिससे $(2 K)$ तुलनाएं उत्पन्न होती हैं। 6B रिवॉर्ड मॉडल $r_{θ} (x, y)$ को बैच एलिमेंट के सभी जोड़ों में पेयरवाइज़ क्रॉस-एन्ट्रॉपी लॉस के साथ प्रशिक्षित किया जाता है: $loss (θ) = - \frac{1}{( 2 K )} E_{(x, y_{w}, y_{l}) \sim D} [lo g σ (r_{θ} (x, y_{w}) - r_{θ} (x, y_{l}))]$ जहाँ $y_{w}$ , $y_{l}$ की तुलना में पसंदीदा कंप्लीशन है।
RL पॉलिसी ऑप्टिमाइज़ेशन (PPO-ptx): टोकन-स्तरीय KL डाइवर्जेंस के माध्यम से SFT मॉडल से विचलन को दंडित करते हुए, और वैकल्पिक रूप से प्रीट्रेनिंग लॉग-लाइकलीहुड को बनाए रखते हुए स्केलर रिवॉर्ड्स के विरुद्ध पॉलिसी $π_{ϕ}^{RL}$ को ऑप्टिमाइज़ करना: $objective (ϕ) = E_{(x, y) \sim D_{π_{ϕ}^{RL}}} [r_{θ} (x, y) - β lo g (\frac{π _{ϕ}^{RL} ( y ∣ x )}{π ^{SFT} ( y ∣ x )})] + γ E_{x \sim D_{pretrain}} [lo g π_{ϕ}^{RL} (x)]$ यहाँ $β$ KL पेनाल्टी गुणांक है और $γ$ प्रीट्रेनिंग ग्रेडिएंट मिश्रण को नियंत्रित करता है।

परिणाम (सबसे महत्वपूर्ण आंकड़ों के साथ)

मानवीय प्राथमिकताएँ: लेबलर्स 175B बेस GPT-3 (100 गुना पैरामीटर अंतर) की तुलना में 1.3B InstructGPT मॉडल के आउटपुट को प्राथमिकता देते हैं। 175B InstructGPT के आउटपुट को 175B GPT-3 की तुलना में $85 \pm 3%$ मामलों में और फ़्यू-शॉट प्रॉम्प्टेड 175B GPT-3 की तुलना में $71 \pm 4%$ मामलों में प्राथमिकता दी जाती है।
सत्यवादिता और हैल्यूसिनेशन: TruthfulQA पर, InstructGPT, GPT-3 की तुलना में लगभग दोगुनी बार सत्य और जानकारीपूर्ण आउटपुट देता है। क्लोज्ड-डोमेन API कार्यों पर, हैल्यूसिनेशन दर 41% (GPT-3) से घटकर 21% (InstructGPT) हो जाती है।
विषाक्तता (Toxicity): सम्मानजनक होने का प्रॉम्प्ट दिए जाने पर RealToxicityPrompts पर InstructGPT, GPT-3 की तुलना में लगभग 25% कम विषैले आउटपुट उत्पन्न करता है।
सामान्यीकरण (Generalization): InstructGPT रोके गए लेबलर्स ( $77.3%$ सहमति) और आउट-ऑफ-डिस्ट्रीब्यूशन निर्देशों जैसे कि कोड QA/सारांशीकरण और गैर-अंग्रेजी निर्देशों पर विश्वसनीय रूप से सामान्यीकरण करता है, भले ही प्रशिक्षण डेटा में अंग्रेजी 96% से अधिक हो।

सीमाएं और खुले प्रश्न

सुरक्षा और अलाइनमेंट संतुलन: InstructGPT प्रशिक्षण के दौरान मुख्य रूप से उपयोगकर्ता निर्देशों के पालन को प्राथमिकता देता है; यदि इसे दुर्भावनापूर्ण या पक्षपाती होने का निर्देश दिया जाए, तो यह प्रभावी ढंग से उस निर्देश का पालन करता है।
साधारण त्रुटियाँ: मॉडल अभी भी हैल्यूसिनेट करता है, ज्ञान संबंधी विनम्रता की कंडीशनिंग के कारण अत्यधिक बचाववादी (hedge) उत्तर दे सकता है, और गलत आधारों या जटिल बहु-बाधाओं से जूझता है।
प्रतिनिधित्व: फाइन-ट्यूनिंग कॉन्ट्रैक्टर फीडबैक (लगभग 40 नियुक्त लेबलर्स) और API Playground ग्राहक प्रश्नों पर निर्भर करती है, जो अंतिम उपयोगकर्ताओं के व्यापक स्पेक्ट्रम का पूर्ण प्रतिनिधित्व नहीं करते हैं।

मुख्य शब्द

RLHF: रीइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक; एक ऐसी विधि जो मानवीय प्राथमिकताओं से एक रिवॉर्ड मॉडल को प्रशिक्षित करती है और रीइन्फोर्समेंट लर्निंग के माध्यम से पॉलिसी को फाइन-ट्यून करती है।
InstructGPT: प्राकृतिक भाषा निर्देशों का पालन करने के लिए सुपरवाइज्ड प्रदर्शनों और RLHF के साथ फाइन-ट्यून किए गए GPT-3 मॉडल्स की फैमिली।
Alignment tax: लैंग्वेज मॉडल को मानवीय प्राथमिकताओं के साथ अलाइन करते समय मानक NLP बेंचमार्क (जैसे DROP या SQuAD) पर देखा जाने वाला प्रदर्शन का नुकसान।
PPO-ptx: एक PPO वेरिएंट जो बेंचमार्क क्षमताओं को बनाए रखने के लिए RL फाइन-ट्यूनिंग उद्देश्य में प्रीट्रेनिंग डेटा से ग्रेडिएंट्स को मिलाता है।
Reward Model (RM): एक मॉडल जिसे प्रॉम्प्ट-कंप्लीशन जोड़ी को स्केलर स्कोर देने के लिए प्रशिक्षित किया जाता है, जो वैकल्पिक कंप्लीशन्स पर मानवीय वरीयता की भविष्यवाणी करता है।
Supervised fine-tuning (SFT): अलाइनमेंट पाइपलाइन का पहला चरण जहाँ एक बेस लैंग्वेज मॉडल को मानव-लिखित प्रॉम्प्ट-डेमॉन्स्ट्रेशन जोड़ियों पर फाइन-ट्यून किया जाता है।
Hallucination: जब कोई लैंग्वेज मॉडल सारांशीकरण या QA जैसे क्लोज्ड-डोमेन कार्यों पर आधारहीन या मनगढ़ंत जानकारी उत्पन्न करता है।

प्रश्न

मानवीय रेटिंग्स में 1.3B InstructGPT, 175B GPT-3 से बेहतर प्रदर्शन क्यों करता है?

बेस GPT-3 अनफ़िल्टर्ड वेब टेक्स्ट पर अगले टोकन की भविष्यवाणी के लिए अनुकूलित होता है, जो अक्सर निर्देशों को अनदेखा करता है या संदर्भ को दोहराता है। InstructGPT को उपयोगी और प्रत्यक्ष उत्तर उत्पन्न करने के लिए स्पष्ट रूप से मानवीय वरीयता संकेतों पर अनुकूलित किया गया है, जो कच्चे पैरामीटर क्षमता और कार्य उद्देश्य के बीच के अंतर को पाटता है।

शोधपत्र अलाइनमेंट टैक्स का समाधान कैसे करता है?

PPO प्रशिक्षण उद्देश्य (PPO-ptx) में एक प्रीट्रेनिंग अपडेट टर्म को शामिल करके, प्रीट्रेनिंग ग्रेडिएंट्स को गुणांक $γ = 27.8$ से गुणा किया जाता है। यह मानवीय वरीयता के लाभों से समझौता किए बिना SQuAD और DROP जैसे सार्वजनिक डेटासेट्स पर होने वाली गिरावट को रोकता है।

रैंक किए गए आउटपुट पर रिवॉर्ड मॉडल को कैसे प्रशिक्षित किया गया?

लेबलर्स ने प्रति प्रॉम्प्ट $K$ कंप्लीशन्स ( $K$ 4 से 9 के बीच) को रैंक किया। 6B रिवॉर्ड मॉडल को एक ही बैच एलिमेंट के भीतर सभी $(2 K)$ जोड़ियों पर एक साथ प्रशिक्षित किया गया, जिससे फॉरवर्ड पास कम हुए और ओवरफाइटिंग को रोका गया।

क्या InstructGPT जनसांख्यिकीय पूर्वाग्रह (demographic bias) को कम करता है?

नहीं। जब Winogender और CrowS-Pairs पर मापा गया, तो InstructGPT ने बेस GPT-3 की तुलना में कोई खास पूर्वाग्रह कमी नहीं दिखाई, और सम्मानजनक प्रॉम्प्ट्स ने कभी-कभी एन्ट्रॉपी को कम कर दिया (जिससे मापा गया पूर्वाग्रह बढ़ गया)।

इस पृष्ठ की व्याख्या AI ने शोध पत्र से लिखी है और इसमें गलतियाँ हो सकती हैं। विवरण के लिए मूल शोध पत्र पढ़ें।

अनुवाद और AI के साथ पढ़ें