團(tuán)隊介紹：北京交通大學(xué) ADaM 團(tuán)隊此前發(fā)布了相關(guān)的 o1 復(fù)現(xiàn)項目 o1-Coder（https://github.com/ADaM-BJTU/O1-CODER）和首個強(qiáng)化微調(diào)開源技術(shù)方案 OpenRFT（https://github.com/ADaM-BJTU/OpenRFT）。

OpenAI 在 “雙十二” 發(fā)布會的最后一天公開了 o 系列背后的對齊方法 - deliberative alignment，展示了通過系統(tǒng) 2 的慢思考能力提升模型安全性的可行性。在此之前，ADaM 團(tuán)隊提出了類似的 “系統(tǒng) 2 對齊” 概念，探索了通過提示工程、監(jiān)督微調(diào)、DPO、RL (結(jié)果獎勵) 和 RL (過程獎勵) 實現(xiàn)系統(tǒng) 2 對齊的技術(shù)路徑。研究發(fā)現(xiàn)：系統(tǒng) 2 對齊可以同時有效提升傳統(tǒng)的系統(tǒng) 1 模型的安全性。

系統(tǒng) 2 對齊：通過引導(dǎo)或監(jiān)督的方式使模型對齊。這種方式鼓勵有意的、分析性的推理，以確保模型能夠全面評估輸入內(nèi)容，考慮潛在的風(fēng)險和錯誤，并解決其中的偏差或缺陷。

用培養(yǎng)孩子來類比的話，系統(tǒng) 1 對齊是直接命令孩子遵守規(guī)則（Command），系統(tǒng) 2 對齊則通過引導(dǎo)來培養(yǎng)孩子自主批思考和做出合理決策的能力（Cultivate）。

• 技術(shù)報告：Don't Command, Cultivate: An Exploratory Study of System-2 Alignment
• 報告地址：https://arxiv.org/abs/2411.17075
• 項目地址：https://github.com/ADaM-BJTU/System-2-alignment

1.o1 應(yīng)對復(fù)雜越獄攻擊的能力分析

團(tuán)隊首先在對抗越獄攻擊 WildJailbreak（https://huggingface.co/datasets/allenai/wildjailbreak）和數(shù)學(xué)編碼越獄攻擊 MathPrompt（https://arxiv.org/pdf/2411.17075）兩個場景分析了 o1 的安全對齊能力。

有如下發(fā)現(xiàn)： 

（1）o1 模型在處理用戶請求時，考慮安全指南有助于提升安全性（見圖 1）。但推理過程中，o1 模型偶爾邏輯混亂，安全機(jī)制可被繞過（見圖 2）。若出現(xiàn)針對推理鏈的攻擊，將帶來新安全挑戰(zhàn)，故確保推理的安全與穩(wěn)健至關(guān)重要。

圖 1：o1 模型復(fù)雜越獄攻擊的樣例

圖 2：o1 模型被對抗有害樣本攻擊成功實例

（2） o1 模型并非對所有請求啟動安全推理模式，如圖 3 所示，其錯誤拒絕了良性請求。若增加推理，模型或許能給出安全且有用回應(yīng)。

圖 3：o1 模型過度拒絕對抗良性樣本實例

2. 系統(tǒng) 2 對齊

團(tuán)隊通過提示工程、監(jiān)督微調(diào)、DPO、RL 等方法對系統(tǒng) 2 對齊方法進(jìn)行探索。實驗數(shù)據(jù)來源于 WildJailbreak。該數(shù)據(jù)集的測試集中包含了對抗有害和對抗良性兩種數(shù)據(jù)類型，其定義如下：對抗有害：指通過更復(fù)雜和隱秘的方式傳遞有害請求。對抗良性：指看似是繞過技術(shù)但實際上不含有害意圖的對抗性請求。

研究通過評估 “not_unsafe” 和 “not_overrefuse” 兩個指標(biāo)分析模型在應(yīng)對以上兩種樣本的表現(xiàn)。

方法 1：提示工程：

通過在推理過程中使用提示工程來實現(xiàn)系統(tǒng) 2 對齊，涉及零樣本（zero-shot）和少樣本（few-shot）的思維鏈（Chain-of-Thought, CoT）提示方法。對于零樣本 CoT，評估了樸素設(shè)置（naive）以及增強(qiáng)的安全警示設(shè)置（safe）。對于少樣本 CoT 提示，從訓(xùn)練集中隨機(jī)選擇了一個對抗性良性示例和一個對抗性有害示例。使用 GPT-4o 生成了正確答案及詳細(xì)的推理過程，作為上下文中的示例來引導(dǎo)模型的響應(yīng)。 

實驗結(jié)果揭示了在測試的模型中，提高模型安全性通常以增加過度拒絕率為代價。在試圖平衡這兩個指標(biāo)時，Mistral-7B 和 Qwen-7B 模型在少樣本 CoT 提示方法下表現(xiàn)最佳。另一方面，當(dāng)未應(yīng)用 System-2 對齊提示時，Llama3-8B 模型表現(xiàn)出最強(qiáng)的整體性能。這些結(jié)果表明，不同的模型可能需要量身定制的提示工程方法，包括對提示措辭或上下文示例的仔細(xì)調(diào)整。這種差異性為用戶帶來了額外的復(fù)雜性，可能增加有效部署這些模型的難度。

表 1：基于提示工程的系統(tǒng) 2 對齊實驗結(jié)果

方法 2：監(jiān)督微調(diào)（SFT）

基于監(jiān)督微調(diào)的系統(tǒng) 2 對齊的關(guān)鍵是獲取帶有思考過程的監(jiān)督微調(diào)數(shù)據(jù)。思路是利用人類書寫的安全規(guī)范作為指導(dǎo)從 GPT-4o 蒸餾出帶有思考過程的回復(fù)。首先，依據(jù)現(xiàn)有工作對安全類別的分類和定義，使用 GPT-4o 標(biāo)注 WildJailbreak 提供的訓(xùn)練集的安全類別。接著，選定六類數(shù)據(jù)人工書寫安全規(guī)范。這些規(guī)范主要包括安全定義、用戶請求分類和響應(yīng)風(fēng)格指南。最后，基于這些安全規(guī)范，從 GPT-4o 中蒸餾了帶有推理步驟的響應(yīng)，并要求 GPT-4o 在分析的最后一步對用戶請求進(jìn)行分類，例如表 2 中用紅色標(biāo)注的部分。這不僅提高了數(shù)據(jù)質(zhì)量，還有助于篩選出生成的數(shù)據(jù)。最后，篩選符合以下條件的數(shù)據(jù)：

• 普通良性請求（vanilla benign） 對應(yīng) “允許”（Allowed），
• 對抗良性請求（adversarial benign） 對應(yīng) “安全完成”（Safe Completion），
• 所有有害數(shù)據(jù)（harmful data） 對應(yīng) “不允許”（Disallowed）。

表 2：GPT-4o 蒸餾帶有思維鏈的數(shù)據(jù)樣例

表 3：基于監(jiān)督微調(diào)的系統(tǒng) 2 對齊實驗結(jié)果

表 3 展示了監(jiān)督微調(diào)的實驗結(jié)果，說明通過引入安全相關(guān)的慢思考可以提高模型的安全性。特別是 Llama3-8B，在兩個指標(biāo)上都表現(xiàn)出平衡且卓越的性能。

方法 3：直接偏好優(yōu)化（DPO）

DPO 算法可以直接利用偏好數(shù)據(jù)而無需依賴獎勵模型，那么第一步是基于 SFT 模型合成帶有思維構(gòu)建偏好數(shù)據(jù)。具體而言，使用 Llama3-8B-SFT 模型進(jìn)行實驗，并從 SFT 數(shù)據(jù)中采樣提示 n 次（在實驗中，n=16）。接下來，需要從采樣的響應(yīng)中構(gòu)建偏好對。為簡單起見，對于良性提示，認(rèn)為屬于 “允許” 或 “安全完成” 類型的模型響應(yīng)是正樣本，而 “不允許” 類型的響應(yīng)被視為負(fù)樣本。相反，對于有害提示，認(rèn)為 “不允許” 類型的響應(yīng)是正樣本，而其他類型的響應(yīng)認(rèn)為是負(fù)樣本。對于每個提示，僅保留一對偏好數(shù)據(jù)。最后，平衡良性和有害數(shù)據(jù)的數(shù)量，共生成了 738 個訓(xùn)練樣本。需要注意的是，通過 16 次采樣，仍有相當(dāng)一部分提示無法生成正負(fù)樣本對，因此這些提示未被使用。

表 4：基于直接偏好優(yōu)化的系統(tǒng) 2 對齊實驗結(jié)果

實驗結(jié)果如表 4 所示。可以看到，DPO 在整體性能上略有提升，主要體現(xiàn)在安全性指標(biāo)上有了顯著的提高，但這導(dǎo)致模型對一些良性用戶請求表現(xiàn)出過度拒絕的行為，盡管訓(xùn)練數(shù)據(jù)中有害和良性的數(shù)據(jù)分布是平衡的。

方法 4：基于結(jié)果監(jiān)督的強(qiáng)化學(xué)習(xí)

（1）訓(xùn)練結(jié)果獎勵模型：獎勵模型的輸入由提示（prompt）和響應(yīng)中最終答案字段（final answer）的內(nèi)容組成，而不包括完整的推理過程。基于模型的自采樣方法收集偏好數(shù)據(jù)（與 DPO 中提到的方法類似），不同在于，對于每個提示會采樣多對樣本。總共收集了 4,182 對偏好數(shù)據(jù)樣本，并將數(shù)據(jù)集按照 9:1 的比例進(jìn)行劃分。獎勵模型在 Llama3-8B 模型上訓(xùn)練，最終在測試集上的表現(xiàn)達(dá)到 0.978。（2）在強(qiáng)化學(xué)習(xí)階段，使用 PPO（近端策略優(yōu)化）方法對策略模型進(jìn)行優(yōu)化，數(shù)據(jù)集與 DPO 實驗中使用的數(shù)據(jù)集相同。

表 5：基于結(jié)果監(jiān)督強(qiáng)化學(xué)習(xí)的系統(tǒng) 2 對齊實驗結(jié)果

從表 5 可以看出，經(jīng)過強(qiáng)化學(xué)習(xí)（RL）訓(xùn)練后的模型表現(xiàn)最佳。盡管在 “not_unsafe” 指標(biāo)上不如 DPO，但總體表現(xiàn)更加平衡。圖 4 中展示了一個例子用以說明 RL 方法如何處理對抗性的有害樣本。在這個例子中，基于 RL 的方法成功拒絕了有害請求，而基于 SFT 的方法則被請求誘導(dǎo)生成了不安全的響應(yīng)。

圖 4：SFT-CoT 與 SFT-CoT + RL 處理對抗有害樣本對比實例

方法 5：基于過程監(jiān)督的強(qiáng)化學(xué)習(xí)

訓(xùn)練過程獎勵模型：過程監(jiān)督的關(guān)鍵在于自動收集過程獎勵數(shù)據(jù)來訓(xùn)練過程獎勵模型。例如 Math-shepherd 等開創(chuàng)性工作為數(shù)學(xué)問題的過程獎勵標(biāo)注提供了解決思路。安全性相關(guān)問題的決策通常涉及不確定性，不像數(shù)學(xué)問題通常有明確的解。一個樸素的標(biāo)注方案是：首先使用基于上文中提到的類型匹配的方法獲得的結(jié)果獎勵，然后基于結(jié)果獎勵反推過程獎勵。如果想要提升過程獎勵的標(biāo)注效果，則需要進(jìn)入更強(qiáng)的安全評估模型。

通過過程獎勵模型增強(qiáng)模型安全對齊：區(qū)別于傳統(tǒng)強(qiáng)化學(xué)習(xí)的結(jié)果獎勵，過程獎勵模型在推理每一步提供反饋，幫助模型實時調(diào)整思路，實現(xiàn)更可控、更深思熟慮的決策，提高響應(yīng)準(zhǔn)確性并增強(qiáng)風(fēng)險評估能力，從而確保輸出符合安全協(xié)議。

強(qiáng)化學(xué)習(xí)與自對弈迭代（Self-Play）優(yōu)化安全推理能力，可引入自對弈機(jī)制。模型生成推理步驟，過程獎勵模型評估并反饋，指導(dǎo)優(yōu)化推理策略。強(qiáng)化學(xué)習(xí)基于反饋調(diào)整策略，優(yōu)先安全準(zhǔn)確推理，更新后的策略用于生成新數(shù)據(jù)，形成循環(huán)迭代。自對弈持續(xù)改進(jìn)模型推理和安全對齊能力。

3. 結(jié)論和展望

在 OpenAI 的 Deliberative Alignment 基礎(chǔ)上，系統(tǒng) 2 對齊可以用于提升傳統(tǒng)系統(tǒng) 1 模型的安全性。通過 Prompting、SFT、DPO、RL 等多種方式來實現(xiàn)，系統(tǒng) 2 對齊通過多步推理的慢思考培養(yǎng)模型的批判性評估能力，來增強(qiáng)模型安全性。

隨著模型能力的提升，對模型對齊和安全性需要新的思考：從系統(tǒng) 1 式的被動防護(hù)轉(zhuǎn)向促進(jìn)模型系統(tǒng) 2 式的內(nèi)在推理和批判性思考。此外，類比從系統(tǒng) 1 對齊到系統(tǒng) 2 對齊的過程，傳統(tǒng)受限于數(shù)據(jù)和模型能力基于系統(tǒng) 1 建模的任務(wù)，也有希望通過引入系統(tǒng) 2 慢思考的方式進(jìn)行重構(gòu)。