AIGC動態歡迎閱讀

原標題：如果我搬出RLHF+GAN這個設定，你如何應對
關鍵字：模型,數據,騰訊,樣本,方法
文章來源：算法邦
內容字數：10403字

內容摘要：

前陣子騰訊AI Lab悄悄掛出了一篇文章：Adversarial Preference Optimization (APO)[1]，看到設定我就驚呆了：RLHF+GAN，難道還嫌RLHF本身不夠難訓嗎？但讀下來發現作者其實是想解決RLHF一個很重要的問題，而且給出的方法既fancy又優雅。
下面，我們直接有請一作本人程鵬宇大佬來講一下心路歷程?。
注：文中有公式，請切換到白色背景查看。01RLHF辛酸淚先從RLHF的任務講起吧，RLHF的全稱是 reinforcement learning from human feedback。字面意思就是用RL的方法把大模型訓練得更加符合人們的反饋。這里反饋其實就是人們對大模型回復質量的評價。還是蠻主觀的一件事，尤其是對一些開放性問題，其實很難講大模型的回復到底好到什么程度。但是如果對同一個問題給出兩個回復，通過對比人們至少能在兩個回復里挑出一個更好的，這大概就是所謂的“沒有比較就沒有傷害”吧。
于是人類反饋數據都長成了一個問題和兩個比較過的回復的格式。因為每次反饋就是從兩個回復里挑個更好的，代表了標注人員的偏好，所以RLHF解決的任務也被稱為偏

原文鏈接：如果我搬出RLHF+GAN這個設定，你如何應對

聯系作者

文章來源：算法邦
作者微信：allplusai
作者簡介：「算法邦」，隸屬于智猩猩，關注大模型、生成式AI、計算機視覺三大領域的研究與開發，提供技術文章、講座、在線研討會。