ChatGPT 中的人类反馈强化学习 (RLHF) 实战，看这篇就够了

---

团队博客: CSDN AI小组

---

相关阅读

• ChatGPT 简介
• 大语言模型浅探一
• 关于 ChatGPT 必看的 10 篇论文
• 从 ELMo 到 ChatGPT：历数 NLP 近 5 年必看大模型

---

1 前言
在当今数字化的时代，ChatGPT 的火热程度不断升级。ChatGPT 可以处理复杂的语言任务，从而解放人力资源，提高工作效率，减少成本。ChatGPT 的先进技术和广泛应用，使得它成为了当今最炙手可热的人工智能技术之一。无论是企业、学术机构，还是科技爱好者，都对 ChatGPT 的应用前景充满期待。

在这样的背景之下，CSDN AI 团队也想对 ChatGPT 进行简单的复现。根据ChatGPT 官方博客可知，ChatGPT的训练方法与 InstructGPT 的训练方法基本一致 (如图1所示)，只是使用的数据集不一样。故在训练方法上，我们主要参考 InstructGPT 进行复现，基础模型使用的是 RWKV，拆分后共包含以下四个阶段：

• (1) 语言模型预训练 (Language Model Pre-training)；
• (2) 有监督指令微调 (Supervised Fine-Tuning, SFT)；
• (3) 奖励模型的训练 (Reward Modeling, RM);
• (4) 使用近端策略优化算法进行强化学习 (Proximal Policy Optimization, PPO).

第 (1)、(2) 阶段的 Pre-training 和 SFT 由 @zxm2015 完成，可参考文章 大语言模型浅探一。本文主要介绍第 (3)、(4) 阶段的内容，即人类反馈强化学习 (Reinforceme