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

Makaleler · arXiv 2203.02155

İnsan Geri Bildirimiyle Talimatları Takip Etmek Üzere Dil Modellerinin Eğitilmesi

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 et al.

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

Çeviri ve yapay zekâ ile oku

Üç satırda özet

Sadece sonraki belirteç tahmini (next-token prediction) üzerine eğitilen büyük dil modelleri, kullanıcı niyetini takip etmekte sıklıkla başarısız olur; toksik, gerçek dışı veya yararsız yanıtlar üretir.
GPT-3'ü denetimli insan gösterimleriyle ince ayarlar, sıralanmış çıktılar üzerinde 6B'lik bir ödül modeli eğitir ve politikayı ön eğitim karışımı içeren PPO aracılığıyla optimize eder.
1.3B InstructGPT çıktıları 175B GPT-3'e tercih edilirken, 175B InstructGPT modeli 175B GPT-3'e karşı %85 oranında kazanmakta ve halüsinasyonları %41'den %21'e düşürmektedir.

Özet

Dil modellerini daha büyük hale getirmek, onların kullanıcı niyetini takip etmede doğası gereği daha iyi olmalarını sağlamaz. Örneğin, büyük dil modelleri gerçeğe aykırı, toksik veya kullanıcı için faydalı olmayan çıktılar üretebilir. Başka bir deyişle, bu modeller kullanıcılarıyla hizalanmamıştır (aligned). Bu makalede, insan geri bildirimiyle ince ayar (fine-tuning) yaparak dil modellerini çok çeşitli görevlerde kullanıcı niyetiyle uyumlu hale getirmenin bir yolunu gösteriyoruz. Etiketleyiciler tarafından yazılan ve OpenAI API üzerinden gönderilen komutlardan (prompts) yola çıkarak, istenen model davranışını sergileyen insan gösterimlerinden oluşan bir veri kümesi topluyor ve bunu GPT-3'ü denetimli öğrenme ile ince ayar yapmak için kullanıyoruz. Daha sonra model çıktılarının sıralamalarından oluşan bir veri kümesi toplayarak, insan geri bildirimiyle pekiştirmeli öğrenme (reinforcement learning from human feedback) yoluyla bu denetimli modeli daha da ince ayarlıyoruz. Ortaya çıkan modelleri InstructGPT olarak adlandırıyoruz. Komut dağılımımız üzerindeki insan değerlendirmelerinde, 1.3B parametreli InstructGPT modelinin çıktıları, 100 kat daha az parametreye sahip olmasına rağmen 175B GPT-3'ün çıktılarına tercih edilmektedir. Dahası, InstructGPT modelleri doğrulukta iyileşmeler ve toksik çıktı üretiminde azalmalar gösterirken, kamuya açık NLP veri kümelerinde minimum düzeyde performans kaybı yaşamaktadır. InstructGPT hala basit hatalar yapsa da sonuçlarımız, insan geri bildirimiyle ince ayar yapmanın dil modellerini insan niyetiyle uyumlu hale getirmek için umut verici bir yön olduğunu göstermektedir.

Orijinal özet (İngilizce)

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.

Okuma rehberi

Problem ve motivasyon

Standart büyük dil modelleri (LLM'ler), web derlemleri üzerinde sonraki belirteç tahminini optimize eder. Bu ön eğitim hedefi, bir asistanın talimatları faydalı, doğru ve zararsız bir şekilde takip etmesini isteyen kullanıcı hedefiyle uyumsuzdur. Sonuç olarak, GPT-3 gibi temel modeller sıklıkla olguları halüsinasyon olarak üretir, sahte bağlamlar uydurur, toksik metinleri yansıtır veya açık kullanıcı kısıtlamalarını göz ardı eder. Yalnızca model parametrelerini büyütmek bu sorunları ortadan kaldırmaz.

Temel fikirler

İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme (RLHF) Yoluyla Hizalama: Model çıktılarını salt metin devamı olasılığı yerine kullanıcı niyetine doğru şekillendirmek için insan değerlendirmelerini kullanmak.
Üç Adımlı Eğitim Süreci: (1) Komut-gösterim çiftleri üzerinde denetimli ince ayar (SFT), (2) Sıralanmış tamamlamalar arasındaki ikili karşılaştırmalar üzerinde Ödül Modeli (RM) eğitimi ve (3) Proximal Policy Optimization (PPO) kullanarak politika optimizasyonu.
Hizalama Vergisi (Alignment Tax) Azaltımı: Standart PPO ince ayarı, standart NLP kıyaslamalarında (ör. SQuADv2, DROP) performans düşüşlerine yol açar. Ön eğitim dağılımı gradyanlarının PPO güncellemelerine dahil edilmesi (PPO-ptx), insan tercihi kazanımlarından ödün vermeden bu yetenek kayıplarını hafifletir.

Yöntem (temel denklemlerle birlikte)

Denetimli İnce Ayar (SFT): Etiketleyiciler tarafından yazılan ve OpenAI API Playground aracılığıyla gönderilen yaklaşık 13 bin komut gösterimi üzerinde temel GPT-3 modellerine ince ayar yapılması.
Ödül Modeli Eğitimi: Her $x$ komutu için etiketleyiciler, $K$ adet tamamlamayı ( $K \in [4, 9]$ ) sıralayarak $(2 K)$ karşılaştırma oluşturur. 6B'lik ödül modeli $r_{θ} (x, y)$ , bir toplu işlem (batch) öğesindeki tüm çiftler üzerinde ikili çapraz entropi kaybı ile eğitilir: $loss (θ) = - \frac{1}{( 2 K )} E_{(x, y_{w}, y_{l}) \sim D} [lo g σ (r_{θ} (x, y_{w}) - r_{θ} (x, y_{l}))]$ burada $y_{w}$ , $y_{l}$ 'ye tercih edilen tamamlamadır.
RL Politika Optimizasyonu (PPO-ptx): Politikayı $π_{ϕ}^{RL}$ skaler ödüllere göre optimize ederken, belirteç düzeyinde KL ıraksaması aracılığıyla SFT modelinden sapmayı cezalandırmak ve isteğe bağlı olarak ön eğitim log-olasılığını korumak: $objective (ϕ) = E_{(x, y) \sim D_{π_{ϕ}^{RL}}} [r_{θ} (x, y) - β lo g (\frac{π _{ϕ}^{RL} ( y ∣ x )}{π ^{SFT} ( y ∣ x )})] + γ E_{x \sim D_{pretrain}} [lo g π_{ϕ}^{RL} (x)]$ Burada $β$ KL ceza katsayısıdır ve $γ$ ön eğitim gradyanı karışımını belirler.

Sonuçlar (en önemli sayılarla birlikte)

İnsan Tercihleri: Etiketleyiciler, 1.3B InstructGPT modelinin çıktılarını 175B temel GPT-3'ün çıktılarına tercih etmektedir (100 kat parametre farkı). 175B InstructGPT çıktıları, 175B GPT-3'e karşı % $85 \pm 3$ oranında, few-shot komut istemi verilmiş 175B GPT-3'e karşı ise % $71 \pm 4$ oranında tercih edilmektedir.
Doğruluk ve Halüsinasyonlar: TruthfulQA üzerinde InstructGPT, GPT-3'e kıyasla yaklaşık iki kat daha sık doğru ve bilgilendirici çıktılar üretmektedir. Kapalı alan API görevlerinde halüsinasyon oranı %41'den (GPT-3) %21'e (InstructGPT) düşmektedir.
Toksisite: Saygılı olması istendiğinde InstructGPT, RealToxicityPrompts üzerinde GPT-3'e kıyasla yaklaşık %25 daha az toksik çıktı üretir.
Genelleme: InstructGPT, eğitim verilerinin %96'sından fazlasını İngilizce oluşturmasına rağmen, ayrılmış test etiketleyicilerine (% $77.3$ uyum) ve kod S&C/özetleme ile İngilizce dışındaki talimatlar gibi dağılım dışı (out-of-distribution) talimatlara güvenilir bir şekilde genellenir.

Sınırlılıklar ve açık sorular

Güvenlik ve Hizalama Ödünleşimleri: InstructGPT, eğitim sırasında öncelikli olarak kullanıcının talimatlarına uymayı hedefler; kötü niyetli veya önyargılı olması istendiğinde talimatı etkili bir şekilde yerine getirir.
Basit Hatalar: Model hâlâ halüsinasyon görebilir, epistemik tevazu şartlandırması nedeniyle aşırı derecede çekimser kalabilir ve yanlış önermeler veya karmaşık çoklu kısıtlamalarla başa çıkmakta zorlanabilir.
Temsil: İnce ayar, yüklenici geri bildirimlerine (yaklaşık 40 işe alınmış etiketleyici) ve son kullanıcıların geniş yelpazesini tam olarak yansıtmayan API Playground müşteri sorgularına dayanmaktadır.

Temel terimler

RLHF: Reinforcement Learning from Human Feedback (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme); insan tercihlerinden bir ödül modeli eğiten ve pekiştirmeli öğrenme yoluyla bir politikayı ince ayarlayan yöntem.
InstructGPT: Doğal dil talimatlarını takip etmek üzere denetimli gösterimler ve RLHF ile ince ayar yapılmış GPT-3 model ailesi.
Alignment tax: Hizalama vergisi; bir dil modelini insan tercihlerine göre hizalarken standart NLP kıyaslamalarında (DROP veya SQuAD gibi) gözlemlenen performans düşüşü.
PPO-ptx: Kıyaslama yeteneklerini korumak için ön eğitim verilerinden gelen gradyanları RL ince ayar hedefine dahil eden bir PPO varyantı.
Reward Model (RM): Ödül Modeli; bir komut-tamamlama çiftine skaler bir puan atamak ve alternatif tamamlamalara yönelik insan tercihini tahmin etmek için eğitilmiş model.
Supervised fine-tuning (SFT): Denetimli ince ayar; temel dil modelinin insanlar tarafından yazılmış komut-gösterim çiftleri üzerinde ince ayarlandığı hizalama sürecinin ilk adımı.
Hallucination: Halüsinasyon; bir dil modelinin özetleme veya S&C gibi kapalı alan görevlerinde dayanağı olmayan veya uydurma bilgiler üretmesi.

Sorular

1.3B InstructGPT modeli insan değerlendirmelerinde neden 175B GPT-3'ten daha iyi performans gösteriyor?

Temel GPT-3, filtrelenmemiş web metinlerinde bir sonraki belirteci tahmin etmeyi optimize eder ve genellikle talimatları göz ardı eder ya da bağlamı tekrarlar. InstructGPT ise yararlı ve doğrudan yanıtlar üretmek üzere insan tercihi sinyalleriyle doğrudan optimize edilmiştir; bu da ham parametre kapasitesi ile görev niyeti arasındaki boşluğu kapatır.

Makale hizalama vergisini (alignment tax) nasıl çözüyor?

PPO eğitim hedefine bir ön eğitim güncelleme terimi (PPO-ptx) ekleyerek ve ön eğitim gradyanlarını $γ = 27.8$ katsayısıyla çarparak. Bu durum, insan tercihi kazanımlarından ödün vermeden SQuAD ve DROP gibi kamuya açık veri kümelerindeki gerilemeyi önler.

Ödül modeli sıralanmış çıktılar üzerinde nasıl eğitildi?

Etiketleyiciler, komut başına $K$ adet tamamlamayı ( $K$ , 4 ile 9 arasında) sıraladı. 6B'lik ödül modeli, tek bir toplu işlem öğesi içindeki tüm $(2 K)$ çifti üzerinde aynı anda eğitildi; bu da ileri geçişleri azalttı ve aşırı öğrenmeyi (overfitting) engelledi.

InstructGPT demografik önyargıyı azaltıyor mu?

Hayır. Winogender ve CrowS-Pairs üzerinde ölçüldüğünde InstructGPT, temel GPT-3'e kıyasla anlamlı bir önyargı azalması göstermedi ve saygılı komutlar bazen entropiyi azaltarak ölçülen önyargıyı artırdı.

Bu sayfadaki açıklama yapay zekâ tarafından makaleden yazılmıştır ve hata içerebilir. Ayrıntılar için makaleyi okuyun.

Çeviri ve yapay zekâ ile oku