随缘随笔
Insights Flow
0%

论文阅读[精读]-Llama 2: Open Foundation and Fine-Tuned Chat Models(下)

发表于 更新于 分类于 阅读次数： Valine：
本文字数： 3k 阅读时长 ≈ 3 分钟
今天继续讲，训练Llama2-Chat模型的方法和创新点

语言模型的RLHF(PPO)的基本流程的算法我们在 强化学习和RLHF中的PPO算法 中介绍过了，主要分为三个阶段，下面我们来讲讲Llama 2分别做了哪些创新吧

SFT

data and train

首先，作者和之前的论文保持一致，认为SFT的训练数据数量不是问题，关键是质量。然而，作者还是收集了27650条instruction tuning的数据，emmm，这好像是我见过的最多的。

作者在180条数据上做了仔细检查，比对了human的结果和SFT model生成的结果，发现大致在一个水平。

训练方式就是传统的crossentropy，然后作者只在assistant message上计算梯度

reward model training

首先作者需要human paired data。标注了大概100万条数据

标注过程和后面的过程是绑定的，就是先标注一波，然后做RLHF。下一波标注的时候pair data来自新模型。主要是因为human标注需要时间，以及更高效地利用数据

另外，作者为了让human永远有选项选，提供了四种偏序关系可以选择。

margin

接下来，在训练RewardModel时，作者利用起了之前human标注的多种偏序关系，具体是这样
$$
\mathcal{L} = - \log(\frac{1}{1 + e^{-(r_\text{good} - r_\text{bad})}})
$$
这个loss是一个Bradley-Terry模型crossentropy loss的导出形式，希望好的数据的reward更高

如果已知human的偏序不止一种的话，就可以额外加一点偏差值
$$
\mathcal{L} = - \log(\frac{1}{1 + e^{-(r_\text{good} - r_\text{bad} - \text{margin})}})
$$
就是说，比如significant better，就希望差得更远，通过更大的gradient来保证。作者做了消融实验，看在测试集上reward model的分类acc，发现效果确实更好

performance

衡量reward model好坏的指标就是测试集分类acc，

首先报告了在各种偏序关系下测试集上的reward model分类结果，发现区分还是挺明显的。基本上human认为显著区别的，模型都能区分。

接下来作者做了一个scale实验，发现用更大的模型、更多的训练数据可以训练出更准确reward模型。最重要的是：

仍未观察到收敛现象。也就是说，还能接着提规模涨指标

RL

最后的RL阶段。和前面提到的，由于human标注是一波一波来的，作者也就是一波波训的reward model和RL模型。称之为RLHF-v1到RLHF-v5

主体方法上，作者尝试两种方法

rejection sampling

这是一个看起来很稳定的算法，和之前讲到的 RRHF阅读笔记 非常像

每个iter中，先对每一个prompt采样K个样本，然后用打分模型打一波分，找到最好的样本，然后按照SFT的方式计算crossentropy loss。

为了训练的稳定，选取最好样本时是从前面的所有iter里，而不是当前iter里选最好样本(所以其实是K*iter选1)。其实就是退化版的RRHF，不过省下了非常多的训练资源

作者实验了一下，用最开始的SFT对应prompt多次sample样本，对应的最高score持续提升，这就是这个算法的优化空间。

同时，这个算法的效果和sample样本时选取的算法也是高度相关的，更高的diversity更可能找到更好的样本，但是数据少时表现更不稳定。

作者做了实验(注意左右两图的纵坐标不一样)，和上面一样看多次采样的最高reward。发现这个最佳温度是在变化的，因此作者是每个iter都分别找最佳温度，再sample。

PPO

作者没怎么使用经典的PPO算法，可能是因为训练不稳定？

只在最后一次迭代，也就是RLHF-V5之前用了一下。

流程是这样：训出来RLHF-V4以后，先用PPO增强一波，得到V4-PPO，然后用V4-PPO做rejection sample训练，得出来RLHF-V5

performance

作者首先报告了RLHF的平均水平，这个图坐标是指：战胜ChatGPT-0301的百分比。两个轴分别是帮助性和无害性数据的结果

50%就是说和ChatGPT差不多

可以看出来，效果不错，每轮都在加强。

除了机器自评以外，作者在直接让human实验，每个模型的规模级别，都和同规模的类似模型进行了比较。可以看到

  • 基本都是赢了
  • 不过在vicuna 33b上，似乎差不太多？
  • 70b基本和chatGPT一样

我非常好奇的是，有没有更详细的PPO和rejection sample的对比实验，比如PPO+SFT-V1，不过作者没有报告

Ghost attention(GAtt)

最后还有一个创新点,就是封面那个图。在多轮对话中，模型经常在后面的轮数就忘了最前面的全局prompt

解决方法也很简单：作者把最前面的system message在每个user message前面都复制了一份。作者手动创造了一些好这么做的prompt比如“answer only with emojis”, “act as Napoleon”。然后在SFT query随机中掺杂上这些需求，然后让模型生成这些数据

作者把这件事情默默用在了iter train过程中，就是说在RL用的prompt里掺杂了这些东西，然后每轮对话都加，但是reward model训练没用上，所以不影响reward model的训练稳定性。

测试时没有这个trick，只在system prompt加一次，看能不能维持住

可以发现，不加GAtt，基本上两轮以后前面的prompt已经忘完了，加上以后就一直不忘。

另外，作者在附录里提到一个有趣的事情：

ChatGPT对system prompt也很看重，如果不加system prompt，对比Llama2的win rate就会从44%暴跌到36%

难道说，MOE真的重出江湖？

我的思考

  • RLHF部分的探索非常详尽，很久没看到做这么多实验的论文了。够solid
  • 看Llama2的总体情况，scaling trend依旧存在，这就给更大更强的Llama3 留出空间了，不知道什么时候能推出

另外，听说OpenAI打算开源一个叫G3PO的模型，不知道啥时候出来…

  • 里面提到的rejection sample非常新颖。其实最近有一些工作就是想用类似SFT的方式来做RL，其实本质上都是对Reward model的对抗训练，差不太多：PRO、RRHF等等。

  • 这里我抛出来一个问题：既然RLHF是在显式地对抗reward model，那我们能不能在运行时进行对抗呢？

human preference虽然不会变，但是还有很多preference和下游绑定的任务。其实这就是LLM搜索类的算法：ToT里面引入了一些这种in-context对抗的特性，后面我们会进一步指出和解决这个问题。

  • 类似RRHF和rejection sample，是在多个样本中learning from best of N，那么显然这个方法的效率取决于最优score寻找的过程，相同搜索资源下，最优score越高，用这类算法的效果就越好。那么，这是不是也预示着我们需要一个更好的搜索算法呢？
  • 虽然叫"开源"，但其实Llama 2不是完全开源的……pretrain数据和SFT数据就没给
相关文章