Alignement pour l'honnêteté

Alignment for Honesty

December 12, 2023

Auteurs: Yuqing Yang, Ethan Chern, Xipeng Qiu, Graham Neubig, Pengfei Liu

cs.AI

Résumé

Les recherches récentes ont réalisé des progrès significatifs dans l'application de techniques d'alignement pour améliorer l'utilité et l'innocuité des grands modèles de langage (LLMs) conformément aux intentions humaines. Dans cet article, nous plaidons pour l'importance de l'alignement pour l'honnêteté, en veillant à ce que les LLMs refusent de répondre aux questions lorsqu'ils manquent de connaissances, tout en évitant d'être excessivement conservateurs. Cependant, un aspect crucial de l'alignement pour l'honnêteté consiste à discerner les limites des connaissances d'un LLM, ce qui est loin d'être simple. Ce défi exige des solutions globales en termes de développement de métriques, de création de benchmarks et de méthodologies d'entraînement. Dans cet article, nous abordons ces défis en établissant d'abord une définition précise du problème et en définissant l'« honnêteté » inspirée des Analectes de Confucius. Cela sert de pierre angulaire pour développer des métriques qui mesurent efficacement l'honnêteté d'un LLM en quantifiant ses progrès après l'alignement. De plus, nous introduisons un cadre d'entraînement flexible qui est ensuite instancié par plusieurs techniques de fine-tuning efficaces qui mettent l'accent sur l'honnêteté sans sacrifier les performances sur d'autres tâches. Nos expériences approfondies révèlent que ces modèles alignés montrent une augmentation marquée de l'honnêteté, comme l'indiquent nos métriques proposées. Nous mettons à disposition une multitude de ressources pour faciliter les recherches futures à l'adresse https://github.com/GAIR-NLP/alignment-for-honesty, y compris des modèles alignés pour l'honnêteté, des ensembles de données d'entraînement et d'évaluation pour l'alignement de l'honnêteté, un glossaire de concepts, ainsi que tout le code source pertinent.

English

Recent research has made significant strides in applying alignment techniques to enhance the helpfulness and harmlessness of large language models (LLMs) in accordance with human intentions. In this paper, we argue for the importance of alignment for honesty, ensuring that LLMs proactively refuse to answer questions when they lack knowledge, while still not being overly conservative. However, a pivotal aspect of alignment for honesty involves discerning the limits of an LLM's knowledge, which is far from straightforward. This challenge demands comprehensive solutions in terms of metric development, benchmark creation, and training methodologies. In this paper, we address these challenges by first establishing a precise problem definition and defining ``honesty'' inspired by the Analects of Confucius. This serves as a cornerstone for developing metrics that effectively measure an LLM's honesty by quantifying its progress post-alignment. Furthermore, we introduce a flexible training framework which is further instantiated by several efficient fine-tuning techniques that emphasize honesty without sacrificing performance on other tasks. Our extensive experiments reveal that these aligned models show a marked increase in honesty, as indicated by our proposed metrics. We open-source a wealth of resources to facilitate future research at https://github.com/GAIR-NLP/alignment-for-honesty, including honesty-aligned models, training and evaluation datasets for honesty alignment, concept glossary, as well as all relevant source code.