卷友们好，我是rumor。

众所周知，RLHF十分玄学且令人望而却步。我听过有的小道消息说提升很大，也有小道消息说效果不明显，究其根本还是系统链路太长自由度太高，不像SFT一样可以通过数据配比、prompt、有限的超参数来可控地调整效果。

但也正是因为它的自由度、以目标为导向的学习范式和性价比更高的标注成本，业内往往认为它会有更高的效果天花板。同时我最近看OpenAI的SuperAlignment计划感受颇深，非常坚定地认为scalable的RLHF（不局限于PPO）就是下一步的大突破所在。

所以我秉着不抛弃不放弃的决心，带大家梳理一下最近的RLHF平替工作，探索如何更稳定地拿到效果。

RLHF链路可以分为两个模块，RM和RL，这两个模块各有各的问题：

• RM：对准确率和泛化性的要求都很高，不然很容易就被hack到（比如输出某个pattern就给高分）。但业内普遍标注数据的一致率只有70%左右，数据决定效果天花板，如何让RM代表大部分人的判断、且能区分出模型结果的细微差异，难难难。这也是RLHF方法没法规模化起来的主要瓶颈
• RL：奖励太稀疏（最后一步才拿到句子分数，不像SFT一样有真实的token-level监督信号）、PPO超参数非常多，导致效果很不稳定

针对上述两个模块的问题，学术界大佬们各显神通，大概有以下几种解决方案：

• 没得商量，不做RL了，选择性保留RM：比如RRHF、DPO，这类方法可以直接在RM数据上优化语言模型，但如果想提升效果，需要用自身模型采样，得再引入一个RM，比如RSO、SCiL、PRO等。又或者直接用RM采样的数据做精调，比如RAFT、Llama2等
• 用其他RL算法：比如ReMax、Decision Transformer

下面我们就逐一盘盘这些方法以及他们给出的有用结论。

不做RL了

RRHF

RRHF: Rank Responses to Align Language Models with Human Feedback without tears

RRHF是阿里在今年年初（2023.04）发布的工作，它的做法是直接在RM数据山优化LM，让chosen回答的概率大于rejected回答的概率。

在具体实现上，就是计算句子的条件概率后加一个ranking loss：

但在实践中，作者发现只用ranking loss会把模型训崩溃，所以又加了SFT loss。从消融实验可以看到加了rank loss确实对模型效果有一些提升：

最终在HH数据集上，作者提出的RRHF平均得分略好于PPO（-1.02 vs -1.03），效果差距不是太大，但该方法主打一个便捷稳定。

同时作者也在实验中尝试了不同的数据采样策略：

1. 直接用开源RM的数据
2. 用自己的模型生成response，用开源RM进行排序，做出新的RM数据
3. 循环执行2，类似强化的思维不断靠自身采样到更好的答案

最后的结论也比较符合直接，是3>2>1。

Preference Ranking Optimization for Human Alignment

后续阿里（非同作者）在2023.06又提出了一个PRO方法，核心思想跟RRHF接近，但有两个不同：

1. 选用了更多负例，不止停留在pair-wise
2. 给不同负例不同的惩罚项（比如分数差的多就拉大一些）

同时也加上了SFT loss，最终效果比RLHF和RRHF都有些提升。

DPO

Direct Preference Optimization:Your Language Model is Secretly a Reward Model

DPO是斯坦福在2023.05底提出的工作，主打一个硬核，直接从PPO公式推出了一个平替方案，虽然最终loss呈现的思想跟RRHF接近（chosen句子概率>rejected句子概率），但同时带有一个SFT模型的约束，可以保证在不加SFT loss的情况下训练不崩溃（个人猜测）。

作者在公开的几个RM数据集上都做了实验，可以发现DPO对超参数的敏感度更低，效果更稳定，且奖励得分优于RLHF。

同时，微软在2023.10月的一篇工作^[1]上也对DPO做了进一步的探索。考虑到排序数据成本，他们直接默认GPT4 > ChatGPT > InstructGPT，实验后得到以下结论：

1. 用DPO在 GPT4 vs InstructGPT 上训练的效果 > 直接在GPT-4数据精调的效果
2. 先在简单的pair上训练后，再在困难的pair上训练会有更好的效果

RSO

Statistical rejection sampling improves preference optimization

上面介绍了两种ranking思想的loss，具体哪种更好一些呢？DeepMind在2023.09月份的一篇RSO^[2]工作中进行了更系统的对比，得到了以下结论：

1. DPO(sigmoid-norm) loss效果略好，但更重要的是增加SFT约束，可以看表中没加约束的hinge loss效果很差，但加了约束后则能接近DPO
2. 另外重要的还有采样策略，比如要优化模型A，最好用模型A生产的结果，去做pair标注，再训练A，比用模型B生产的数据训练A更好。这跟RRHF的结论也比较一致，更接近「强化」的思想

同时作者提出了另外一种RSO(Rejection Sampling Optimization)的采样方法，实验发现有2个点左右的提升。

Rejection Sampling + SFT

拒绝采样是一种针对复杂问题的采样策略^[3]，可以更高效地采样到合适的样本，进行复杂分布的估计。最近也有很多方法，利用RM进行拒绝采样，直接用采样出的数据对模型做SFT。

Llama 2: Open Foundation and Fine-Tuned Chat Models

LLama2就很好地使用了拒绝采样，先问问地训RM，再用RM筛选出当前模型最好的结果进行SFT。论文发出时他们一共把llama2-chat迭代了5轮，前4轮都是用的拒绝采样，只有最后一轮用了PPO，可以看到相比ChatGPT的胜率一直在提升：

不过从RLHF v5(no PPO)和RLHF v5(with PPO)来看，RL还是能有很大的效果收益。

这种方法还有很多变体可以探索，比如港大在2023.04提出的RAFT^[4]，就是选取多个样本进行后续精调。同时采样策略也可以进行一些优化，比如上面提到的RSO。

用其他RL算法

ReMax

ReMax: A Simple, Effective, and Efficient Reinforcement Learning Method for Aligning Large Language Models

ReMax是港中文在2023.10提出的工作，核心是对RLHF中RL阶段的PPO算法进行了简化。

强化的难点是怎么把多步之后的最终目标转化成模型loss，针对这个问题有不同解决方案，目前OpenAI所使用的RL策略叫PPO^[5]，是他们自己在2017年提出的一个经典RL算法（OpenAI早期真的做了很多强化的工作）。

但ReMax的作者认为，PPO并不适用于语言模型的场景：

1. 可以快速拿到句子奖励：传统RL的长期奖励获取可能会比较昂贵，比如必须玩完一局游戏、拿起一个杯子，而RLHF在有了RM后可以快速拿到奖励
2. 确定性的环境：传统RL中，环境也是变化的，同一个场景+动作可能拿到不同奖励，而在语言模型中，给定上下文和当前结果，下一步的状态也是确定的，RM打分也是确定的

上面两点在传统RL中会造成学习不稳定的问题，因此PPO使用了Actor-Critic网络，即引入一个「助教」来给模型的每一步打分，而作者认为在语言模型上可以省去。

因此，作者提出用强化中的REINFORCE算法来代替PPO，去掉了Critic模型，但作者在实验中同样发现了梯度方差较大优化不稳定的问题，于是增加了一项bias来降低方差，命名为ReMax算法。

由于资源受限，作者没跑通7B的PPO实验，只对比了1.3B的ReMax和PPO，效果显示ReMax更好一些：

除了效果提升之外，由于去掉了一个要训练的模型，在显存占用和训练速度上都有提升。

Offline RL: Decision Transformer

上面我们说的PPO、REINFORCE都是Online RL，需要一个虚拟环境，通过互动拿到奖励，再进行学习。相对的，Offline RL是指直接拿之前和环境互动的数据来学习。

Aligning Language Models with Offline Reinforcement Learning from Human Feedback

这篇是英伟达在2023.08提出的工作，探索了MLE、用reward做回归、DT(Decision Transformer)三种离线强化算法，最终发现DT的效果更好。

Decision Transformer是一个2021 RL Transformer的开山之作，但NLPer一看就懂：

它的核心思想是把奖励、状态作为输入，让模型预测动作，从而建模三者之间的关系。比如模型训练时见过1分的答案，也见过5分的，那预测时直接输入<reward>5.0让它给出最好的结果。

这样训下来效果居然还不错，也超过了PPO：

SteerLM: Attribute Conditioned SFT as an (User-Steerable) Alternative to RLHF

没想到的是，英伟达不同团队在2023.10月又推出了一篇SteerLM的工作，与DT的思想类似，但会把奖励分为不同维度，比如质量、帮助性等等。

具体做法：

1. 通过人工标注的各个维度打分，训练一个打分模型
2. 用打分模型对更多数据打分
3. 精调一个SFT模型，可以做到输入prompt、目标分数，输出符合分数的结果
4. 用第三步的模型生产更多答案，再打分，如此循环

最终的效果也是好于RLHF（PPO哭晕在厕所）：

总结

以上就是我最近关注的RLHF平替方法，虽然可走的路很多，但很难有一个可靠且全面的效果对比，毕竟RLHF本身就难训不稳定，几百条数据下波动几个点很正常，而且无论是自动测评还是人工测评都会带有bias。

但对于资源有限的团队来说，平替方案不失为一种选择。

参考资料