卷友们好，我是rumor。

最近ChatGPT真的太火爆了，让人很难静下心。一方面是对它的能力感到不安，以后各个NLP子任务可能就统一起来了，范式也会变成预训练+Prompt，不需要那么多精调模型的算法了。另一方面是对国内复现ChatGPT感到悲观，那么大的模型，真的需要很强的决心，投入足够的人力、财力和时间才能做出来。

调整了几周，终于回归开卷的心态，捋了一遍我认为复现ChatGPT的难点与平替方案。由于个人精力有限，以下调研肯定存在纰漏，欢迎大家一起讨论补全。

难点1：高效率的算法框架

大模型的训练并不如想象那样容易，需要一个强大的工程框架进行支持。参数量上去之后，需要把模型和数据分散放到多个GPU卡，卡之间如何通信、调度，进行高效的反向传播，都有很多坑等着大家去踩。就像前几年，即使阿里的技术那么强，双十一流量上来了也得崩一会。而且算法框架一旦出现bug，模型可能都收敛不了，或者效果上不去。同时，训练效率非常重要，可以极大地降低试错成本。

知道了训练框架的重要性后，我们再来看OpenAI做到什么地步：

早期的从业者一定对这张图有印象，当时Megatron-LM和DeepSpeed已经把模型提到了一个我们不敢想的尺寸（普通算法团队人均2张V100就很幸福了），结果20年中OpenAI一下发布了175B的GPT-3。从那时起，OpenAI算法框架的容量就领先了一到两个数量级。

好在大厂们在近两年的大模型竞赛中都迭代出了自己的框架，不过这次，强化学习范式RLHF的加入又给训练框架带来了新的挑战。我去年大概花了4个月的业余时间去做强化学习项目和打比赛，有两点让我十分痛苦：

动不动就训崩了，在奖励很稀疏或者自己魔改奖励的情况下，模型往往走捷径往意想不到的地方发展。
不同的框架往往给出不一样的结果，开源框架百花齐放且不一定靠谱，我自己就前后换了3个。跟业内三个RL同学交流下来他们公司都选择了自研而不是用开源的，不像NLP一样大家都用transformers。

好在这次的奖励是连续的，损失函数也明确给出来了，而且基础PPO的复现门槛也没有那么高。

更好的消息是，最近已经出了一个平替方案ColossalAI^[1]，由国人打造，从一些介绍来看效率是超过Megatron-LM和DeepSpeed的，而且已经做了ChatGPT的部分实现（还不支持PPO-ptx），接下来就看大家使用的效果了。

难点2：先追上GPT3

从符尧大佬对于ChatGPT能力起源的追溯来看，一个好的预训练模型会涌现出诸多能力：

上下文学习能力（In-Context Learning）：可以不经过精调直接理解输入的指令和示例
长距离理解能力：是之后多轮对话的基础
具有常识知识、并可以进行推理
跨语言能力
代码生成能力

而且从符尧另一篇对大模型能力的研究看来，至少要62B以上的模型才能有一定少样本效果。真的追上这些能力需要耗费很大财力、人力和时间，估计现在各个厂都在批发A100了，起码千张，预算上亿。

好在也有一些平替方案，支持中文的有mT5(176B)、GLM(130B)和BLOOM(176B)，但其中只有BLOOM是GPT架构。另外还有mT0和BLOOMZ，是Instruction tuning后的版本。

难点3：获取真实的用户输入

从GPT3到ChatGPT，主要是基于用户的真实输入进行标注，再对模型进行精调，从而拟合了人的偏好（称为Alignment）。

所以前段时间让我最焦虑的就是它的马太效应，或者数据飞轮，它效果越好，用的人越多，从而不断帮它提升拟合效果。技术问题都有平替，但我们去哪儿找上亿的用户来源源不断的输送Prompt呢？

第一个平替方案，是借鉴Instruction tuning的论文，用各种NLP数据集构造Prompt。但这并不是最优解，因为InstructGPT也做过这个实验，用FLAN和T0的数据进行精调，效果如下：

如果要做通用模型，最好还是符合用户的分布，可以看到InstructGPT的分布统计：

看到真实分布后，我的焦虑缓解了一些，感觉还是可以找到冷启动平替的。首先占比最高的生成任务，很多预训练模型都可以做，比如写诗写故事，大家之前应该见过很多了，刚开始不一定需要特别去优化。其次就是OpenQA，这个有不少数据可以爬，比如百度百科、知乎。头脑风暴可以通过关键词在爬到的问答数据中筛选。剩下几个任务有些是传统NLP任务，也有开源数据集。

难点4：趟过精调的坑

对于精调，OpenAI分了两个步骤：有监督精调（SFT，下图step1）、强化学习训练（RLHF，下图step2+3）。

虽然有看到一些观点，认为不用RL，有更好的监督数据也可以做ChatGPT，甚至RL+NLP近年来一直不被看好^[2]，但最近回顾了OpenAI在20年和22年的两篇RLHF文章之后，个人认为ChatGPT精调的重点在于RLHF阶段。

举个不一定恰当的栗子，假设我们把训模型当作带孩子：

Pretrain：在孩子0-3岁的时候，我们没法讲太多道理，他也听不懂，更多的是让他自己观察这个世界，自由学习。
Instruction Tuning：孩子学会说话了，也对世界有了基本认知，我们就可以开始通过示范教他一些东西，比如怎么穿衣服、怎么刷牙。
RLHF：等孩子再大点，很多事情都会了，便不会再完全模仿父母，而是有自己不一样的行为，这时候父母就需要对这些不可预料的行为给出反馈，在他取得好成绩时奖励，在做坏事后惩罚。

再回到生成任务本身，长久以来NLP里的范式都是以最大似然为目标，用teacher forcing的方式拟合标注同学写出的句子。那万一标注同学偷懒呢？

对于「到底什么是好的回复」这个问题，每个人都有不同的答案，但必须定义好目标，才知道模型应该往哪里优化。谷歌训LaMDA对话模型时就给出了5个维度的定义，再朝着这5个方向拟合，而人类语言博大精深，5个维度真能评价一段话的好坏吗？

RLHF范式的关键就在于，它能真正让模型去拟合人的偏好，同时给予模型一定的自由度，这样才能让模型先模仿再超越，而不是重复Instruction tuning中的一些pattern。

上述的说法可能比较主观，接下来让我们看OpenAI官方给的实验数据：

在摘要生成任务中，RLHF精调后的模型大幅超越SFT的效果。另外论文中的其他实验也证实了RLHF模型具备更好的跨领域泛化能力：

在InstructGPT论文中，1.3B经过RLHF的模型可以超过175B模型SFT的效果：

从上述结果可以猜测，在人力、算力、时间有限的情况下，效率最优的路径是直接在1.3B模型上迭代，大概10万标注数据，复现一个低配小型ChatGPT，验证整个流程的有效性，再去做175B的模型。

遗憾的是目前RLHF这个部分趟过坑的人太少，没法找到平替，我只想到了用小模型快速迭代的方案，接下来的踩坑就看大家了。

另外，关于为什么以前一些RLHF工作不work，我认为关键的点是：

这篇工作^[3]的标注同学更倾向抽取式答案，模型学偏了，而OpenAI这次在标注上下了狠功夫。另外该工作是用人作为RM，效率较低。
DeepMind Sparrow^[4]其实只在某个对话数据集上进行了训练，和真实分布不一样，另外它加入的Rule Reward可能也有影响。目前我觉得核心还是没在数据上下狠功夫，就是简单follow了一下OpenAI。但该论文有70多页，我实在读不动了，之后会不时重读刷新认知。

总结

在上文中，我列了4条我认为复现ChatGPT的难点，与一些替代方案，如果每个方案都打个折，确实是复现到60%的程度，和业内乐观的预测一样。

另外，我其实一直没提标注数据的重要性，因为标注数据的平替非常容易，直接跟老板要预算去调OpenAI接口吧。不过OpenAI论文里有一句话我特别喜欢，希望自己在以后做模型的时候谨记：

We train all labelers to ensure high agreement with our judgments, and continuously monitor labeler-researcher agreement over the course of the project.

得先训练好标注同学，才能训好模型，请所有人跟我默念三遍（狗头。

最后，和大家分享使我焦虑下降的两个点：

OpenAI最新一篇博文显示^[5]，他们后续的方向之一是在通用模型上做定制化模型，我估计不会失业了，又可以洗数据了。
自从发现1.3B的模型+RLHF就可以很强之后，我觉得在真正的落地中，训一个for单一生成任务的定制化ChatGPT不再那么遥不可及，一两张A100和十万级别的数据就可以了（可能过于乐观，但我就是经常在热血和焦虑之间横跳）。