隨著 ChatGPT 的出現以及隨之而來的廣泛討論，RLHF、SFT、IFT、CoT 等晦澀的縮略詞出現在公眾面前，這都歸功于 ChatGPT 的成功。這些晦澀的縮略詞是什么？為什么它們如此重要？本文作者查閱了所有關于這些主題的重要論文，進行了分類總結。

ChatGPT 并不是第一個基于語言模型（LM）的對話智能體，事實上，許多機構在 OpenAI 之前發布過語言模型對話智能體，包括 Meta BlenderBot、Google LaMDA、DeepMind 的 Sparrow 和 Anthropic Assistant。一些機構也宣布建立開源聊天機器人的計劃，并公開了路線圖（如 LAION 的 Open-Assistant）。肯定還有其它機構在做同樣的工作，只是沒有宣布。

下表根據上面提到的 AI 聊天機器人是否可公開訪問、訓練數據、模型架構和評估的詳細信息，對它們進行了比較。ChatGPT 沒有相關數據，這里使用的是 InstructGPT 的資料，它是 OpenAI 的一個微調模型，被認為是 ChatGPT 的基礎。

盡管在訓練數據、模型和微調方面存在許多差異，但這些聊天機器人也存在一些共性 —— 指令遵循（instruction following），即根據用戶的指令，給出響應。例如讓 ChatGPT 寫一首關于微調的詩。 

從預測文本到遵循指令

通常而言，基礎語言建模的目標不足以讓模型高效地遵循用戶的指示。模型創建者還使用指令微調（Instruction Fine-Tuning，IFT），它可以在多樣化任務上對基本模型進行微調，還能應用在情感分析、文本分類、摘要等經典 NLP 任務。

IFT 主要由三個部分組成：指令、輸入和輸出。輸入是可選的，有些任務只需要指令，如上面的 ChatGPT 示例。輸入和輸出構成實例（instance）。給定的指令可以有多個輸入和輸出。相關示例如下（[Wang et al., ‘22]）。

IFT 的數據通常使用人類的指令和語言模型 bootstrapped 的指令集合。對于 bootstraping，LM 會在零樣本的情況下根據 prompt，生成新的指令、輸入和輸出。在每一輪中，模型都會得到從人類編寫和生成模型中選擇的樣本的 prompt。人類和模型貢獻數據集的情況可以用頻譜表示，如下圖所示。

一種是純模型生成的 IFT 數據集如 Unnatural Instructions，另一種是集社區努力、手動創建的指令如 Super natural Instructions。位于這兩者之間，選用高質量種子數據集然后進行 bootstrap 如 Self-instruct。為 IFT 收集數據集的另一種方法是將現有高質量眾包 NLP 數據集用于各種任務（包括 prompting），并使用統一的模式或不同的模板將這些數據集作為指令，相關工作包括 T0、Natural instructions 數據集、FLAN LM 和 OPT-IML。

安全遵循指令

LM 使用微調后的指令，可能并不總是生成有用安全的響應。這種行為的示例包括無效回應（托詞），總是給出諸如「對不起，我不明白」之類的無效回答，或者對用戶關于敏感話題的輸入做出不安全的回應。

為了解決這種問題，模型開發人員使用監督式微調（Supervised Fine-tuning, SFT），在高質量的人類標記數據上微調基礎語言模型，以實現有效和安全的響應。

SFT 和 IFT 緊密相連。指令調優可以看作是監督式微調的子集。在最近的文獻中，SFT 階段通常用于安全主題，而不是在 IFT 之后進行的指令特定主題。未來這種分類和描述會有更清晰的用例和方法。

谷歌的 LaMDA 也是根據一組規則對帶有安全注釋的對話數據集微調。這些規則通常是由模型創建者預先定義和制定的，包含一系列廣泛的主題，如有害、歧視和錯誤信息。

模型微調

另一方面，OpenAI 的 InstructGPT、DeepMind 的 Sparrow 和 Anthropic 的 ConstitutionalAI 均使用從人類反饋中強化學習（reinforcement learning from human feedback, RLHF）的技術。在 RLHF 中，模型響應基于人類反饋（如選擇一個更好的答案）進行排序，然后用這些帶注釋的響應訓練模型，以返回 RL 優化器的 scalar 獎勵，最后通過強化學習訓練對話智能體來模擬偏好模型。

思維鏈（Chain-of-thought, CoT）是指令演示的特殊情況，通過從對話智能體中引出逐步推理生成輸出。用 CoT 進行微調的模型使用帶有逐步推理的人類注釋的指令數據集。如下示例所示，橙色標記代表指令，粉色標記代表輸入和輸出，藍色標記代表 CoT 推理。

用 CoT 來微調的模型在涉及常識、算術和符號推理的任務上表現得更好。CoT 進行微調也顯示出對實現無害性非常有效（有時比 RLHF 做得更好），并且模型不會回避并產生「對不起，我無法回答這個問題」等回復。

要點總結

本文要點總結如下：

1、 與預訓練數據相比，只需要非常小的一部分數據來對指令進行微調。

2、 監督式微調使用人工標注使模型輸出更安全和更有幫助。

3、 CoT 微調提高模型在逐步思考任務上的性能，并減少了它們在敏感話題上的無效響應或回避不答。

對話智能體的進一步工作思考

最后，作者對未來對話智能體的發展給出了自己的一些思考。

1、 RL 在從人類反饋中學習有多重要？可以通過 IFT 或 SFT 中的高質量數據訓練獲得與 RLHF 一樣的性能嗎？

2、 與在 LaMDA 中使用 SFT 相比，在 Sparrow 中使用 SFT+RLHF 的安全性如何？

3、 IFT、SFT、CoT 和 RLHF，需要怎樣程度的預訓練？tradeoff 是什么？應該使用的最好的基礎模型是什么？

4、 文中介紹的許多模型都是經過精心設計，工程師們專門收集導致失敗的模式，并根據已處理的問題改善未來的訓練（prompts 和方法）。要如何系統地記錄這些方法的效果并重現它們？