Согласование для честности

Alignment for Honesty

December 12, 2023

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

cs.AI

Аннотация

Последние исследования достигли значительных успехов в применении методов согласования для повышения полезности и безопасности крупных языковых моделей (LLM) в соответствии с человеческими намерениями. В данной статье мы обосновываем важность согласования для честности, обеспечивая, чтобы LLM активно отказывались отвечать на вопросы, когда у них недостаточно знаний, при этом не становясь излишне консервативными. Однако ключевым аспектом согласования для честности является определение границ знаний LLM, что далеко не просто. Эта задача требует комплексных решений в области разработки метрик, создания эталонных тестов и методологий обучения. В данной статье мы решаем эти задачи, сначала устанавливая точное определение проблемы и определяя «честность», вдохновляясь «Аналектами Конфуция». Это служит основой для разработки метрик, которые эффективно измеряют честность LLM, количественно оценивая её прогресс после согласования. Кроме того, мы представляем гибкую структуру обучения, которая далее реализуется с помощью нескольких эффективных методов тонкой настройки, подчеркивающих честность без ущерба для производительности в других задачах. Наши обширные эксперименты показывают, что эти согласованные модели демонстрируют заметное увеличение честности, что подтверждается предложенными нами метриками. Мы открываем доступ к множеству ресурсов для содействия будущим исследованиям на https://github.com/GAIR-NLP/alignment-for-honesty, включая модели, согласованные для честности, наборы данных для обучения и оценки согласования для честности, глоссарий концепций, а также весь соответствующий исходный код.

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.