復(fù)旦發(fā)布層次性獎勵學(xué)習(xí)框架，增強(qiáng)大模型人類偏好對齊

AIGC動態(tài)歡迎閱讀

原標(biāo)題：復(fù)旦發(fā)布層次性獎勵學(xué)習(xí)框架，增強(qiáng)大模型人類偏好對齊
關(guān)鍵字：方面,任務(wù),框架,人類,模型
文章來源：夕小瑤科技說
內(nèi)容字?jǐn)?shù)：9099字

內(nèi)容摘要：

夕小瑤科技說 原創(chuàng)作者 | 松果引言：人類反饋中的層次化獎勵在強(qiáng)化學(xué)習(xí)中的新探索在人工智能領(lǐng)域，強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL）一直是實現(xiàn)智能體自主學(xué)習(xí)的關(guān)鍵技術(shù)之一。通過與環(huán)境的交互，智能體能夠自我優(yōu)化其行為策略，以獲得更多的獎勵。然而，當(dāng)涉及到復(fù)雜的人類偏好時，傳統(tǒng)的強(qiáng)化學(xué)習(xí)方法面臨著挑戰(zhàn)。這些挑戰(zhàn)主要源于人類監(jiān)督信號的不一致性和稀疏性，這使得智能體難以準(zhǔn)確地對齊人類的期望。
為了解決這一問題，研究者們提出了從人類反饋中學(xué)習(xí)的強(qiáng)化學(xué)習(xí)（Reinforcement Learning from Human Feedback, RLHF）方法。RLHF通過利用人類標(biāo)注的比較數(shù)據(jù)來微調(diào)大語言模型（LLMs），以更好地與人類偏好對齊。然而，人類標(biāo)注在評估兩個或更多模型輸出時可能存在不一致和不可靠的問題。這些問題導(dǎo)致了RLHF中不穩(wěn)定的獎勵信號，而穩(wěn)定的獎勵是成功強(qiáng)化學(xué)習(xí)的關(guān)鍵。
為了應(yīng)對這些挑戰(zhàn)，本文介紹了一種新的框架——ALARM（Align Language Models via Hierarchical Rewards Modeling），它是首個在RL

原文鏈接：復(fù)旦發(fā)布層次性獎勵學(xué)習(xí)框架，增強(qiáng)大模型人類偏好對齊

聯(lián)系作者

文章來源：夕小瑤科技說
作者微信：xixiaoyaoQAQ
作者簡介：更快的AI前沿，更深的行業(yè)洞見。聚集25萬AI一線開發(fā)者、互聯(lián)網(wǎng)中高管和機(jī)構(gòu)投資人。一線作者來自清北、國內(nèi)外頂級AI實驗室和大廠，兼?zhèn)湫袠I(yè)嗅覺與報道深度。