在目前的模型訓(xùn)練范式中，偏好數(shù)據(jù)的的獲取與使用已經(jīng)成為了不可或缺的一環(huán)。在訓(xùn)練中，偏好數(shù)據(jù)通常被用作對齊（alignment）時的訓(xùn)練優(yōu)化目標(biāo)，如基于人類或 AI 反饋的強(qiáng)化學(xué)習(xí)（RLHF/RLAIF）或者直接偏好優(yōu)化（DPO），而在模型評估中，由于任務(wù)的復(fù)雜性且通常沒有標(biāo)準(zhǔn)答案，則通常直接以人類標(biāo)注者或高性能大模型（LLM-as-a-Judge）的偏好標(biāo)注作為評判標(biāo)準(zhǔn)。

盡管上述對偏好數(shù)據(jù)的應(yīng)用已經(jīng)取得了廣泛的成效，但對偏好本身則缺乏充足的研究，這很大程度上阻礙了對更可信 AI 系統(tǒng)的構(gòu)建。為此，上海交通大學(xué)生成式人工智能實(shí)驗(yàn)室（GAIR）發(fā)布了一項(xiàng)新研究成果，對人類用戶與多達(dá) 32 種流行的大語言模型所展現(xiàn)出的偏好進(jìn)行了系統(tǒng)性的全面解析，以了解不同來源的偏好數(shù)據(jù)是如何由各種預(yù)定義屬性（如無害，幽默，承認(rèn)局限性等）定量組成的。

進(jìn)行的分析有如下特點(diǎn)：

• 注重真實(shí)應(yīng)用：研究中采用的數(shù)據(jù)均來源于真實(shí)的用戶 - 模型對話，更能反映實(shí)際應(yīng)用中的偏好。
• 分場景建模：對屬于不同場景下的數(shù)據(jù)（如日常交流，創(chuàng)意寫作）獨(dú)立進(jìn)行建模分析，避免了不同場景之間的互相影響，結(jié)論更清晰可靠。
• 統(tǒng)一框架：采用了一個統(tǒng)一的框架解析人類與大模型的偏好，并且具有良好的可擴(kuò)展性。

該研究發(fā)現(xiàn)：

• 人類用戶對模型回復(fù)中錯誤之處的敏感度較低，對承認(rèn)自身局限導(dǎo)致拒絕回答的情況有明顯的厭惡，且偏好那些支持他們主觀立場的回復(fù)。而像 GPT-4-Turbo 這樣的高級大模型則更偏好于那些沒有錯誤，表達(dá)清晰且安全無害的回復(fù)。
• 尺寸接近的大模型會展現(xiàn)出相似的偏好，而大模型對齊微調(diào)前后幾乎不會改變其偏好組成，僅僅會改變其表達(dá)偏好的強(qiáng)度。
• 基于偏好的評估可以被有意地操縱。鼓勵待測模型以評估者喜歡的屬性進(jìn)行回復(fù)可以提高得分，而注入最不受歡迎的屬性則會降低得分。

圖 1：人類，GPT-4-Turbo 與 LLaMA-2-70B-Chat 在 “日常交流” 場景下的偏好解析結(jié)果，數(shù)值越大代表越偏好該屬性，而小于 50 則表示對該屬性的厭惡。

本項(xiàng)目已經(jīng)開源了豐富的內(nèi)容與資源：

• 可交互式演示：包含了所有分析的可視化及更多論文中未詳盡展示的細(xì)致結(jié)果，同時也支持上傳新的模型偏好以進(jìn)行定量分析。
• 數(shù)據(jù)集：包含了本研究中所收集的用戶 - 模型成對對話數(shù)據(jù)，包括來自真實(shí)用戶以及多達(dá) 32 個大模型的偏好標(biāo)簽，以及針對所定義屬性的詳細(xì)標(biāo)注。
• 代碼：提供了收集數(shù)據(jù)所采用的自動標(biāo)注框架及其使用說明，此外也包括了用于可視化分析結(jié)果的代碼。

• 論文：https://arxiv.org/abs/2402.11296
• 演示：https://huggingface.co/spaces/GAIR/Preference-Dissection-Visualization
• 代碼：https://github.com/GAIR-NLP/Preference-Dissection
• 數(shù)據(jù)集：https://huggingface.co/datasets/GAIR/preference-dissection

方法介紹

該研究收集了來自 ChatbotArena Conversations 數(shù)據(jù)集中大量來自真實(shí)應(yīng)用中的成對用戶 - 模型對話數(shù)據(jù)。每個樣本點(diǎn)由一個用戶問詢與兩個不同的模型回復(fù)組成。研究者們首先收集了人類用戶與不同大模型在這些樣本上的偏好標(biāo)簽，其中人類用戶的標(biāo)簽已經(jīng)包含在所選用的原始數(shù)據(jù)集內(nèi)，而 32 個選用的開源或閉源的大模型的標(biāo)簽則由研究者額外進(jìn)行推理與收集。

該研究首先構(gòu)建了一套基于 GPT-4-Turbo 的自動標(biāo)注框架，為所有的模型回復(fù)標(biāo)注了它們在預(yù)先定義的 29 個屬性上的得分，隨后基于一對得分的比較結(jié)果可以得到樣本點(diǎn)在每個屬性上的 “比較特征”，例如回復(fù) A 的無害性得分高于回復(fù) B，則該屬性的比較特征為 + 1，反之則為 - 1，相同時為 0。

利用所構(gòu)建的比較特征與收集到的二元偏好標(biāo)簽，研究者們可以通過擬合貝葉斯線性回歸模型的方式，以建模比較特征到偏好標(biāo)簽之間的映射關(guān)系，而擬合得到的模型中對應(yīng)于每個屬性的模型權(quán)重即可被視作該屬性對于總體偏好的貢獻(xiàn)程度。

由于該研究收集了多種不同來源的偏好標(biāo)簽，并進(jìn)行了分場景的建模，因而在每個場景下，對于每個來源（人類或特定大模型），都能夠得到一組偏好到屬性的定量分解結(jié)果。

圖 2：分析框架的總體流程示意圖

分析結(jié)果

該研究首先分析比較了人類用戶與以 GPT-4-Turbo 代表的高性能大模型在不同場景下最偏好與最不偏好的三個屬性。可以看出，人類對錯誤的敏感程度顯著低于 GPT-4-Turbo，且厭惡承認(rèn)局限性而拒絕回答的情形。此外，人類也對迎合自己主觀立場的回復(fù)表現(xiàn)出明顯的偏好，而并不關(guān)心回復(fù)中是否糾正了問詢中潛在的錯誤。與之相反，GPT-4-Turbo 則更注重回復(fù)的正確性，無害性與表達(dá)的清晰程度，并且致力于對問詢中的模糊之處進(jìn)行澄清。

圖 3：人類與 GPT-4-Turbo 在不同場景或問詢滿足的前提下最偏好與最不偏好的三個屬性

圖 4：人類與 GPT-4-Turbo 對于輕微 / 適中 / 嚴(yán)重程度的錯誤的敏感程度，值接近 50 代表不敏感。

此外，該研究還探索了不同大模型之間的偏好組分的相似程度。通過將大模型劃分為不同組并分別計算組內(nèi)相似度與組間相似度，可以發(fā)現(xiàn)當(dāng)按照參數(shù)量（<14B 或 > 30B）進(jìn)行劃分時，組內(nèi)相似度（0.83，0.88）明顯高于組間相似度（0.74），而按照其他因素劃分時則沒有類似的現(xiàn)象，表明大模型的偏好很大程度上決定于其尺寸，而與訓(xùn)練方式無關(guān)。

圖 5：不同大模型（包括人類）之間偏好的相似程度，按參數(shù)量排列。

另一方面，該研究也發(fā)現(xiàn)經(jīng)過對齊微調(diào)后的大模型表現(xiàn)出的偏好與僅經(jīng)過預(yù)訓(xùn)練的版本幾乎一致，而變化僅發(fā)生在表達(dá)偏好的強(qiáng)度上，即對齊后的模型輸出兩個回復(fù)對應(yīng)候選詞 A 與 B 的概率差值會顯著增加。

圖 6：大模型在對齊微調(diào)前后的偏好變化情況

最后，該研究發(fā)現(xiàn)，通過將人類或大模型的偏好定量分解到不同的屬性，可以對基于偏好的評估結(jié)果進(jìn)行有意地操縱。在目前流行的 AlpacaEval 2.0 與 MT-Bench 數(shù)據(jù)集上，通過非訓(xùn)練（設(shè)置系統(tǒng)信息）與訓(xùn)練（DPO）的方式注入評估者（人類或大模型）的偏好的屬性均可顯著提升分?jǐn)?shù)，而注入不受偏好的屬性則會降低得分。

圖 7：對 MT-Bench 與 AlpacaEval 2.0 兩個基于偏好評估的數(shù)據(jù)集進(jìn)行有意操縱的結(jié)果

總結(jié)

本研究詳細(xì)分析了人類和大模型偏好的量化分解。研究團(tuán)隊發(fā)現(xiàn)人類更傾向于直接回答問題的回應(yīng)，對錯誤不太敏感；而高性能大模型則更重視正確性、清晰性和無害性。研究還表明，模型大小是影響偏好組分的一個關(guān)鍵因素，而對其微調(diào)則影響不大。此外，該研究展示了當(dāng)前若干數(shù)據(jù)集在了解評估者的偏好組分后易被操縱，表明了基于偏好評估的不足。研究團(tuán)隊還公開了所有研究資源，以支持未來的進(jìn)一步研究。