Política de Linguagem Condicionada: Um Framework Geral para o Ajuste Fino Multitarefa Direcionável.

Conditioned Language Policy: A General Framework for Steerable Multi-Objective Finetuning

July 22, 2024

Autores: Kaiwen Wang, Rahul Kidambi, Ryan Sullivan, Alekh Agarwal, Christoph Dann, Andrea Michi, Marco Gelmi, Yunxuan Li, Raghav Gupta, Avinava Dubey, Alexandre Ramé, Johan Ferret, Geoffrey Cideron, Le Hou, Hongkun Yu, Amr Ahmed, Aranyak Mehta, Léonard Hussenot, Olivier Bachem, Edouard Leurent

cs.AI

Resumo

A finetuning baseado em recompensas é crucial para alinhar as políticas de linguagem com os comportamentos pretendidos (por exemplo, criatividade e segurança). Um desafio chave aqui é desenvolver modelos de linguagem direcionáveis que equilibrem múltiplos objetivos (conflitantes) de maneira flexível e eficiente. Este artigo apresenta a Política de Linguagem Condicionada (PLC), um framework geral para o finetuning de modelos de linguagem em múltiplos objetivos. Baseando-se em técnicas de treinamento multitarefa e finetuning eficiente de parâmetros, a PLC pode aprender modelos direcionáveis que efetivamente equilibram objetivos conflitantes no momento da inferência. Notavelmente, isso não requer treinar ou manter múltiplos modelos para alcançar diferentes equilíbrios entre os objetivos. Através de um extenso conjunto de experimentos e ablações, mostramos que o framework PLC aprende modelos direcionáveis que superam e dominam o estado da arte atual para o finetuning multiobjetivo.

English

Reward-based finetuning is crucial for aligning language policies with intended behaviors (e.g., creativity and safety). A key challenge here is to develop steerable language models that trade-off multiple (conflicting) objectives in a flexible and efficient manner. This paper presents Conditioned Language Policy (CLP), a general framework for finetuning language models on multiple objectives. Building on techniques from multi-task training and parameter-efficient finetuning, CLP can learn steerable models that effectively trade-off conflicting objectives at inference time. Notably, this does not require training or maintaining multiple models to achieve different trade-offs between the objectives. Through an extensive set of experiments and ablations, we show that the CLP framework learns steerable models that outperform and Pareto-dominate the current state-of-the-art approaches for multi-objective finetuning.