本文是LLM系列文章,针对《PERSONALIZED SOUPS: PERSONALIZED LARGE LANGUAGE MODEL ALIGNMENT VIA POST-HOC PARAMETER MERGING》的翻译。
摘要
虽然从人类反馈中强化学习(RLHF)将大型语言模型(LLM)与一般的、聚合的人类偏好相结合,但它对于学习多样化的个人观点来说是次优的。在这项工作中,我们研究了来自个性化人类反馈的强化学习(RLPHF)问题,其中LLM通过将对齐建模为多目标强化学习(MORL)问题来与多个(有时是冲突的)偏好对齐。与强大的单目标基线相比,我们表明,我们可以通过将偏好分解为多个维度来实现个性化对齐。这些维度是基于用户声明为所需的个性化来定义的。在这项工作中,我们证明了它们可以以分布式方式有效地独立训练,并通过参数合并在事后有效地组合。
1 引言
2 相关工作
3 从个性化的人类反馈中强化学习
4 实验
5 结论
先前的工作表明,将LLM与RLHF相适应有助于它们产生人类偏好的输出,而不是监督的微调对应