1、ChatGPT有安全机制

2、ChatGPT能够理解上下文，大约能记住8000词（GPT-4现在达到了25000词）

3、ChatGPT能够理解自己的局限性

ChatGPT用到的是和InstructGPT一样的技术， InstructGPT的输入是prompt的形式，ChatGPT是对话形式， 区别是InstructGPT是在GPT3上微调，ChatGPT是在GPT3.5上微调。 GPT3.5是GPT3的数据＋Codex的数据 然后再在InstructGPT上用一些人类标注的数据做微调。

InstructGPT

Training language models to follow instructions with human feedback

通过zero-shot做的大模型的控制能力太弱了，会有两个问题：

1、有效性，想让模型去学做一件事，但是模型就是学不会，因为你的文本中可能就没有相关的东西。

2、安全性，你的模型输出一些不应该输出的内容。

如果我们去标注一点数据，再对语言模型进行微调，效果会更好一些，能够更加服从人类的指示，也就是InstructGPT的含义。 fine-tuning with human feedback

RLHF，基于人类反馈的强化学习 收集很多问题，使用标注工具将问题的答案写出来，用这些数据集对GPT3进行微调。接下来再收集一个数据集，通过刚才微调的模型输入问题得到一些输出答案，人工对这些答案按好坏进行排序，然后通过强化学习继续训练微调后的模型，这个模型就叫InstructGPT。

结果上说，有了标注的数据集，1.3B的模型参数的InstructGPT要好过最大的175B参数的GPT3。说明适当加入一些人工的标注数据，可能总的成本会降低。

两个标注数据集，三个模型。

1、找人来写出各种各样的问题（或者从GPT3接口收集的问题），这些问题在GPT里面叫做prompt

例如：什么是月亮？

2、让人根据问题写答案

例如：围绕地球旋转的球形天体。

3、将问题和答案拼在一起，形成一段对话。大量这样的对话文本，形成第一个标注数据集。

例如：什么是月亮？围绕地球旋转的球形天体。

4、使用这些对话微调GPT3。GPT3的模型在人类标注的这些数据上进行微调出来的模型叫做SFT(supervised fine-tune)，有监督的微调。这就是训练出来的第一个模型。

5、给出一个问题，通过SFT模型生成几个答案，这里假设生成四个答案。

例如：什么是月亮？

SFT模型生成了四个答案：

A、月亮是太阳系中离地球最近的天体。

B、月亮是太阳系中体积第五大的卫星。

C、月亮是由冰岩组成的天体，在地球的椭圆轨道上运行。

D、月亮是地球的卫星。

6、将四个答案让人根据好坏程度进行排序。

例如：张三觉得答案D是最好的，其次是C，C比A要好，A和B差不多。就是D>C>B=A。

7、将大量的人工排序整理为一个数据集，就是第二个标注数据集。

8、使用排序数据集训练一个RM模型，reward model，奖励模型。这是第二个模型。

模型输入：问题+答案，例如：什么是月亮？月亮是地球的卫星。

模型输出：分数，例如：9.4。

优化目标：问题+答案得到的分数要满足人工排序的顺序。

例如：

什么是月亮？月亮是太阳系中离地球最近的天体。 5.4

什么是月亮？月亮是太阳系中体积第五大的卫星。 5.4

什么是月亮？月亮是由冰岩组成的天体，在地球的椭圆轨道上运行。 8.2

什么是月亮？月亮是地球的卫星。 9.4

这里得到的分数就满足张三的排序：D>C>B=A。

9、继续给出一些没有答案的问题，通过强化学习继续训练SFT模型，新的模型叫做RL模型。优化目标是使得SFT模型根据这些问题得到的答案在RM模型中得到的分数越高越好。这是第三个模型。

10、最终微调后的RL模型就是InstructGPT模型。

备注：两次对模型的微调：GPT3模型—>SFT模型—>RL模型，其实这里始终都是同一个模型，只是不同过程中名称不一样。

1. 需要SFT模型的原因：GPT3模型不一定能够保证根据人的指示、有帮助的、安全的生成答案，需要人工标注数据进行微调。

2. 需要RM模型的原因：标注排序的判别式标注，成本远远低于生成答案的生成式标注。

3. 需要RL模型的原因：在对SFT模型进行微调时，生成的答案分布也会发生变化，会导致RM模型的评分会有偏差，需要用到强化学习。

InstructGPT的结果：

1. 比GPT3的结果要好很多

2. 在真实性上比GPT3好一些

3. 在生成有问题的结果上比GPT3好一些，但在偏见上并没有太多的提升。

4. 微调都是在某个任务上做微调，可能会在一些别的任务上性能会下降。

5. 标注非常有主观性，不过人类之间的喜好虽然不完全一样，但还是有一定相关性的。

6. 微调对数据集的分布还是比较敏感。

7. 模型根据之前的先验知识，也能够理解和做一些泛化性。

8. 还是会犯一些简单的错误。

三个模型的数据集：

1. SFT数据集：13000条数据。标注人员直接根据刚才的问题集里面的问题写答案。

2. RM数据集：33000条数据。标注人员对答案进行排序。

3. RLHF数据集：31000条数据。只需要prompt集里面的问题就行，不需要标注。因为这一步的标注是RM模型来打分标注的。

OpenAI专门找了40个标注人员进行标注，需要长期交流的合同工，因为这些标注任务需要一定熟练度、对业务的理解、并需要做到随时沟通。

接下来是三个模型的具体步骤，补充下KL散度、交叉熵等概念

一、SFT(Supervised fine-tuning)模型

把GPT3这个模型，在标注好的第一个数据集（问题+答案）上面重新训练一次。 由于只有13000个数据，1个epoch就过拟合，不过这个模型过拟合也没什么关系，甚至训练更多的epoch对后续是有帮助的，最终训练了16个epoch。

二、RM(Reward modeling)模型

把SFT模型最后的unembedding层去掉，即最后一层不用softmax，改成一个线性层，这样RM模型就可以做到输入问题+答案，输出一个标量的分数。

RM模型使用6B，而不是175B的原因： 1、小模型更便宜； 2、大模型不稳定，loss很难收敛。如果你这里不稳定，那么后续再训练RL模型就会比较麻烦。

损失函数，输入是排序，需要转换为值，这里使用Pairwise Ranking Loss。

参数解释： 1、D：第二个数据集，人工对答案进行排序。 2、x：第二个数据集D中的问题，每个问题对应K个答案，答案的顺序已经人工标注好了。 3、yw和yl：x对应的K个答案中的两个，其中yw排序比yl高，因为是一对，所以叫pairwise。 4、rθ(x,y)：即需要训练的RM模型，对于输入的一对x和y得到的标量分数。 5、θ：需要优化的参数。

损失函数理解：

1、x和yw这一对问题和答案，放进RM模型中算出一个分数rθ(x,yw)。

2、x和yl这一对问题和答案，放进RM模型中算出一个分数rθ(x,yl)。

3、因为人工标注出yw的排序要比yl高，r(x,yw)得到的分数应该比r(x,yl)得到的分数高，所以rθ(x,yw)-rθ(x,yl)这个差值要越大越好。

4、把相减后的分数通过sigmoid，那么这个值就在-1到1之间，并且我们希望σ(rθ(x,yw)-rθ(x,yl))越大越好。

5、这里相当于将排序问题转换为了分类问题，即σ(rθ(x,yw)-rθ(x,yl))越接近1，表示yw比yl排序高，属于1这个分类，反之属于-1这个分类。所以这里就用logistic loss，由于是二分类，也相当于是交叉熵损失函数。

6、对于每个问题有K个答案，所以前面除以C(K,2)，使得loss不会因为K的变化而变化太多。

7、最后是最小化loss(θ)，就是要最大化rθ(x,yw)-rθ(x,yl)这个值，即如果一个答案的排序比另一个答案排序高的话，我们希望他们通过RM模型得到的分数之差能够越大越好。

对于K的选择，为什么选9，而不选择4？

1、进行标注的时候，需要花很多时间去理解问题，但答案和答案比较相近，所以4个答案排序要30秒，但9个答案排序可能40秒就够了。加上看问题的时间，K=9花的时间可能比K=4多了30%。同时C(9,2)=36，C(4,2)=6，即K=9生成的问答对是K=4的6倍，等于说K=9比K=4只多花了30%的时间，但是能够标注的信息量却是他的6倍，非常划算。

2、K=9时，每次计算loss都有36项rθ(x,y)要计算，这个RM模型计算比较贵，但可以通过重复利用之前算过的值，使得只要计算9次就行，这样就可以剩下很多时间。

标注时为什么不选择只标注最好的那个，而是进行排序？

K=4的时候是在4个答案中只标注最好的那一个，标注方便很多，这时候计算loss时变成了一个多分类的softmax。但是这样做有一个问题，就是容易overfitting。所以K=9时，保留了排序的信息，从而解决overfitting的问题。

三、RL(Reinforcement learning)模型

这里用的是强化学习，因为他的数据分布是随着策略的更新，环境会发生变化的。优化算法是PPO，Proximal Policy Optimization，近端策略优化。简单来说，就是对目标函数objective($\phi$)通过随机梯度下降进行优化。

参数解释：

1、πSFT：SFT模型。

2、πφRL：强化学习中，模型叫做Policy，πφRL就是需要调整的模型，即最终的模型。初始化是πSFT。

3、(x,y)∼DπφRL：x是第三个数据集中的问题，y是x通过πφRL模型得到的答案。

4、rθ(x,y)：对问题x+答案y进行打分的RM模型。

5、πφRL(y/x)：问题x通过πφRL得到答案y的概率，即对于每一个y的预测和它的softmax的输出相乘。

6、πSFT(y/x)：问题x通过πSFT得到答案y的概率。

7、x∼Dpretrain：x是来自GPT3预训练模型的数据。

8、β、γ：调整系数。

目标函数理解：

优化目标是使得目标函数越大越好，objective($\phi$)可分成三个部分，打分部分+KL散度部分+GPT3预训练部分

1、将第三个数据集中的问题x，通过πφRL模型得到答案y

2、把一对(x,y)送进RM模型进行打分，得到rθ(x,y)，即第一部分打分部分，这个分数越高就代表模型生成的答案越好

3、在每次更新参数后，πφRL会发生变化，x通过πφRL生成的y也会发生变化，而rθ(x,y)打分模型是根据πSFT模型的数据训练而来，如果πφRL和πSFT差的太多，则会导致rθ(x,y)的分数估算不准确。因此需要通过KL散度来计算πφRL生成的答案分布和πSFT生成的答案分布之间的距离，使得两个模型之间不要差的太远。

4、我们希望两个模型的差距越小越好，即KL散度越小越好，前面需要加一个负号，使得objective($\phi$)越大越好。这个就是KL散度部分。

5、如果没有第三项，那么模型最终可能只对这一个任务能够做好，在别的任务上会发生性能下降。所以第三部分就把原始的GPT3目标函数加了上去，使得前面两个部分在新的数据集上做拟合，同时保证原始的数据也不要丢，这个就是第三部分GPT3预训练部分。

6、当γ=0时，这个模型叫做PPO，当γ不为0时，这个模型叫做PPO-ptx。InstructGPT更偏向于使用PPO-ptx。

7、最终优化后的πφRL模型就是InstructGPT的模型。

以上就是InstructGPT的训练过程。