Загрузка языковых моделей с неявными наградами DPO

Bootstrapping Language Models with DPO Implicit Rewards

June 14, 2024

Авторы: Changyu Chen, Zichen Liu, Chao Du, Tianyu Pang, Qian Liu, Arunesh Sinha, Pradeep Varakantham, Min Lin

cs.AI

Аннотация

Выравнивание человека в больших языковых моделях (LLM) - активная область исследований. Недавнее революционное исследование, оптимизация прямых предпочтений (DPO), значительно упростило процесс по сравнению с предыдущими работами в обучении с подкреплением на основе обратной связи от человека (RLHF), обойдя этап обучения по вознаграждению в RLHF. DPO после обучения предоставляет неявную модель вознаграждения. В данной работе мы сделали новое наблюдение, что эта неявная модель вознаграждения может сама по себе использоваться в бутстрап-режиме для дальнейшего выравнивания LLM. Наш подход заключается в использовании вознаграждений от текущей модели LLM для создания набора предпочтений, который затем используется в последующих раундах DPO. Мы внедрили улучшения, которые устраняют предвзятость длины ответов и улучшают качество набора предпочтений для дальнейшего совершенствования нашего подхода. Наш подход, названный самовыравнивание с DPO на основе неявных вознаграждений (DICE), показывает значительное улучшение в выравнивании и достигает более высокой производительности, чем Gemini Pro на AlpacaEval 2, достигая победного показателя с контролем длины 27.55% против GPT-4 Turbo, но с использованием всего 8 миллиардов параметров и без внешней обратной связи. Наш код доступен по адресу https://github.com/sail-sg/dice.

English

Human alignment in large language models (LLMs) is an active area of research. A recent groundbreaking work, direct preference optimization (DPO), has greatly simplified the process from past work in reinforcement learning from human feedback (RLHF) by bypassing the reward learning stage in RLHF. DPO, after training, provides an implicit reward model. In this work, we make a novel observation that this implicit reward model can by itself be used in a bootstrapping fashion to further align the LLM. Our approach is to use the rewards from a current LLM model to construct a preference dataset, which is then used in subsequent DPO rounds. We incorporate refinements that debias the length of the responses and improve the quality of the preference dataset to further improve our approach. Our approach, named self-alignment with DPO ImpliCit rEwards (DICE), shows great improvements in alignment and achieves superior performance than Gemini Pro on AlpacaEval 2, reaching 27.55% length-controlled win rate against GPT-4 Turbo, but with only 8B parameters and no external feedback. Our code is available at https://github.com/sail-sg/dice.