腾讯：LLM自监督偏好优化框架SPO

📖标题：Self-supervised Preference Optimization: Enhance Your Language Model with Preference Degree Awareness
🌐来源：arXiv, 2409.17791

摘要

🔸最近，人们对用人类反馈（RLHF）方法代替大型语言模型（LLM）的强化学习中的奖励模型产生了浓厚的兴趣，如直接偏好优化（DPO）及其变体。这些方法通常在成对样本上使用二进制交叉熵机制，即分别基于首选或不首选响应最小化和最大化损失。然而，虽然这种训练策略省略了奖励模型，但它也忽略了不同反应中不同的偏好程度。
🔸我们假设这是阻碍LLM充分理解人类偏好的关键因素。为了解决这个问题，我们提出了一种新的自监督偏好优化（SPO）框架，该框架将自监督偏好度损失与对齐损失相结合，从而帮助LLM提高理解偏好度的能力。
🔸在两个广泛使用的不同任务的数据集上进行了广泛的实验。结果表明，SPO可以与现有的偏好优化方法无缝集成，并显著提高其性能，以实现最先进的性能。我们还进行了详细的分析，以提供对SPO的全面见解，从而验证其有效性。该代码可在以下网址获得https://github.com/l