利用人类反馈优化文本摘要质量

人工智能咨询培训老师叶梓 转载标明出处

精准评估和提升模型生成文本的质量，尤其是自动文摘的质量，成为了一个日益突出的挑战。传统的评估方法，如ROUGE指标，虽然在一定程度上能够衡量摘要的相关性，但往往无法全面反映人类对摘要质量的真实感受。为了弥补这一缺陷，OpenAI的研究团队提出了一种训练方法。该方法通过直接利用人类对摘要的偏好反馈来指导模型学习，旨在训练出能够生成更符合人类评价标准的高质量摘要。这一研究不仅推动了自然语言处理技术的进步，也为未来人工智能的发展方向提供了新的视角。图 1展示了在 TL;DR 数据集上，人类更倾向于选择本模型生成的摘要而不是人类生成的参考摘要的百分比。

论文链接：​https://arxiv.org/pdf/2009.01325​

方法和实验细节

研究团队采用了与之前研究相似的方法，但进行了批量处理的适配。整个过程从通过监督学习在目标数据集（本研究中为Reddit的TL;DR摘要数据集）上微调初始策略开始。该过程包括三个可以重复迭代的步骤：

• 步骤1：从现有策略中收集样本，并将比较发送给人类评估。对于每个Reddit帖子，研究者从包括当前策略、初始策略、原始参考摘要和各种基线等多个来源中采样摘要。然后，他们将摘要对批量发送给人类评估员，由评估员选择给定Reddit帖子的最佳摘要。

• 步骤2：从人类比较中学习奖励模型。给定一个帖子和一个候选摘要，训练一个奖励模型来预测这个摘要是否是更好的一个，这是根据标注者的判断来的。

• 步骤3：针对奖励模型优化策略。将奖励模型的logit输出作为奖励，使用强化学习中的PPO算法进行优化。

图2为人类反馈、奖励模型训练和策略训练的流程图。在这个图中，我们可以看到：

• 一个Reddit帖子从Reddit TL;DR数据集中被采样出来。
• 使用各种策略从该帖子中采样出一组摘要。
• 从中选出两个摘要进行评估。
• 人类评估员判断哪一个摘要更好地概括了帖子。

对于每对由人类评估过的摘要，这些摘要被送入奖励模型中。奖励模型计算每个摘要的奖励值，基于这些奖励和人类标签来计算损失，并用于更新奖励模型。

最后，从数据集中采样出一个新的帖子。奖励模型为该帖子的摘要计算一个奖励值，然后使用PPO算法根据这个奖励更新策略。

研究者使用了TL;DR摘要数据集，该数据集包含了约300万个Reddit帖子，覆盖了多种主题（子论坛），以及原始发帖者撰写的帖子摘要。研究者对数据集进行了筛选，以确保质量，包括使用一个子论坛白名单，确保这些内容对普通人群是易于理解的。此外，他们还筛选出了人类撰写的摘要包含24到48个token的帖子，以最小化摘要长度对质量的潜在影响。

为了提高人类数据的质量，研究者实施了两项改变。他们完全转向离线设置，交替发送大批量的比较数据给人类评估员，并在累积收集的数据上重新训练模型。另外他们与评估员保持密切的合作关系：他们通过详细的指令引导评估员，在一个共享聊天室中回答他们的问题，并定期提供关于他们表现的反馈。他们训练所有评估员，以确保与研究者的判断达成高度一致，并在整个项目过程中持续监控评估员与研究者之间的一致性。

通过他们的程序，研究者获得了评估员与研究者之间高度的一致性：在比较任务的一个子集上，评估员与研究者的一致性为77% ± 2%，而研究者之间的一致性为73% ± 4%。

所有模型都是基于Transformer解码器构建的，风格类似于GPT-3。研究者在参数数量为13亿（1.3B）和67亿（6.7B）的模型上进行了人类反馈实验。

• 预训练模型：与之前的研究类似，研究者从预训练模型开始，这些模型被训练为在大型文本语料库中自回归预测下一个token。他们使用这些模型作为“零次射击”基线，通过在上下文中填充来自数据集的高质量摘要示例。

• 监督基线：接下来，研究者通过监督学习对这些模型进行微调，以预测过滤后的TL;DR数据集的摘要。他们使用这些监督模型来采样初始摘要，用于收集比较，初始化他们的策略和奖励模型，并作为评估的基线。

• 奖励模型：为了训练奖励模型，研究者从上面描述的监督基线开始，然后添加一个随机初始化的线性头部，输出一个标量值。他们训练这个模型来预测哪个摘要y是更好的，这是基于人类的判断。

• 人类反馈策略：研究者希望使用上面训练的奖励模型来训练一个策略，生成被人类判断为更高质量的输出。他们主要通过强化学习来实现这一点，将奖励模型的输出作为奖励，使用PPO算法进行最大化。

以上研究者能够训练出在给定Reddit帖子上生成高质量摘要的模型，这些摘要在人类评估中优于原始参考摘要以及仅使用监督学习训练的更大模型。

想要掌握如何将大模型的力量发挥到极致吗？叶老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具。9月22日晚，实战专家1小时讲解让您轻松上手，学习如何使用 Llama Factory 微调模型。

加助理微信提供直播链接：amliy007，29.9元即可参加线上直播分享，叶老师亲自指导，互动沟通，全面掌握Llama Factory，关注享粉丝福利，限时免费CSDN听直播后的录播讲解。
 

LLaMA Factory 支持多种预训练模型和微调算法。它提供灵活的运算精度和优化算法选择，以及丰富的实验监控工具。开源特性和社区支持使其易于使用，适合各类用户快速提升模型性能。

结果

实验结果表明，与那些更大尺寸的监督学习策略相比，通过人类反馈训练的策略更受偏好。如图1所示，通过人类反馈训练得到的策略在生成摘要的质量上，明显优于监督学习基线。具体而言1.3B参数的人类反馈模型在与参考摘要的比较中，获得了61%的偏好率，而相比之下，一个比它大10倍的监督模型只有43%的偏好率。

6.7B参数的模型进一步超越了1.3B模型，这表明使用人类反馈进行训练也能从模型规模的增加中受益。值得注意的是，两种人类反馈模型都被认为优于数据集中用于训练的人类示范摘要。

在评估摘要质量时，长度是一个混杂因素。摘要的目标长度隐含在摘要任务中；根据简洁性和覆盖度之间的期望权衡，更短或更长的摘要可能更好。由于模型学习生成更长的摘要，长度可能占据了我们质量改进的很大一部分。研究发现，在控制了长度之后，人类反馈模型相对于参考摘要的偏好率下降了约5%；即便如此，6.7B模型的摘要仍有约65%的时间被偏好。

为了更好地理解模型摘要与参考摘要以及监督基线摘要的质量，研究者进行了额外的分析，其中人类评估员使用7点Likert量表对摘要质量进行了四个维度（或“轴”）的评估。评估员根据覆盖度（从原始帖子中覆盖了多少重要信息）、准确性（摘要中的陈述在帖子中陈述的程度）、连贯性（摘要本身阅读的容易程度）和整体质量对摘要进行了评分。结果（见图3）表明，人类反馈模型在每个质量维度上都优于监督基线，尤其是在覆盖度方面。尽管人类评估员给出完美的整体评分标准很高，但6.7B PPO模型有45%的时间获得7/7的整体评分，而6.7B监督基线和参考摘要分别为20%和23%。

人类反馈模型也能在没有进一步训练的情况下生成优秀的CNN/DM新闻文章摘要（见图4）。人类反馈模型显著优于通过监督学习在TL;DR上训练的模型和仅在预训练语料库上训练的模型。实际上，6.7B人类反馈模型的表现几乎与在CNN/DM参考摘要上微调过的6.7B模型一样好，尽管生成的摘要要短得多。由于人类反馈模型转移到CNN/DM的摘要长度分布与在CNN/DM上训练的模型几乎没有重叠，平均大约只有一半的token，因此它们很难直接比较。因此，图4中的评估使用了7点Likert量表对四个质量维度进行了评估。图4b显示了在不同摘要长度下的平均总体得分，这表明如果人类反馈模型生成更长的摘要，它们的性能甚至会更好。从质量上看，人类反馈模型生成的CNN/DM摘要始终是文章的流畅和合理的代表。

对于奖励模型学到了什么的问题：优化针对本奖励模型本应使策略与人类偏好保持一致。但奖励模型并非完美代表评估员的偏好，因为它的容量有限，并且只看到了来自相对狭窄摘要分布的少量比较数据。目前尚不清楚在它开始给出无用评估之前，可以对奖励模型进行多少优化。为了回答这个问题，研究者创建了一系列针对早期版本的奖励模型优化的不同强度的策略，并要求评估员将它们的样本与参考摘要进行比较。图5显示了在一系列KL惩罚系数下的PPO结果。在轻度优化下，模型（根据评估员的说法）有所改进。然而，随着进一步优化，真实的偏好与预测相比下降，最终奖励模型与人类偏好变得反相关。尽管这显然是不可取的，但值得注意的是，过度优化也发生在ROUGE上。在机器人领域的学习奖励函数中也观察到了类似的行为。

对于奖励建模如何随着模型和数据规模的增加而扩展的问题研究者进行了消融研究，以确定数据量和模型大小对奖励建模性能的影响。他们训练了7个奖励模型，参数从1.6亿到130亿不等，使用数据集中的8k到64k人类比较。他们发现，训练数据量翻倍可以使奖励模型验证集准确率提高约1.1%，而模型大小翻倍可以使准确率提高约1.8%（见图6）。

对于奖励模型学到了什么的问题，研究者通过在几个验证集上评估奖励模型来探究它。他们发现，他们的奖励模型泛化到评估CNN/DM摘要，与评估员偏好一致的时间分别为62.4%和66.5%（对于1.3B和6.7B模型）。6.7B奖励模型几乎与评估员之间的一致性值66.9%相匹配。他们还发现，他们的奖励模型对摘要中的小但语义上重要的细节很敏感。他们通过让评估员对摘要进行最小的编辑以改进它们，构建了另一个验证集。他们的RMs几乎和另一组人类评估员一样频繁地偏爱编辑过的摘要（1.3B为79.4%，6.7B为82.8%）。另外当比较参考摘要与参与者角色颠倒的扰动摘要时，他们的模型可靠地选择原始摘要（1.3B为92.9%，6.7B为97.2%）。然而，他们的RMs对较长的摘要有偏见：他们的6.7B RM只有62.6%的时间偏爱使摘要更短的改进编辑（相比之下人类为76.4%）。

研究者研究了各种自动指标作为人类偏好预测因子的表现，并将其与他们的RMs进行了比较。他们检查了ROUGE、摘要长度、从帖子中复制的数量，以及在基线监督模型下的对数概率。他们发现，他们学到的奖励模型即使在从未训练过的CNN/DM数据集上，也始终优于其他指标。他们还发现，随着模型的改进，ROUGE未能跟踪样本质量。当比较来自本监督基线模型的样本时，ROUGE与评估员的一致性约为57%，而对于来自人类反馈模型的样本，这一数字下降到约50%。类似地，对数概率与人类的一致性在比较来自本人类反馈模型的样本时下降到≤50%，而RMs仍然表现在偶然之上（62%）。扩大监督模型的大小并不能可靠地提高对数概率与评估员的一致性。

图7展示了使用简单的优化方案优化ROUGE并不一致地提高质量。优化针对ROUGE的峰值不仅更早，而且在质量率上也远低于针对我们奖励模型的优化。

实验证明，训练语言模型时，应更多关注训练损失如何影响模型行为。通过优化人类偏好，可以在保持摘要质量的同时，减少对特定数据集的依赖，提高模型的泛化能力。