InstructGPT 论文精读【论文精读·48】_哔哩哔哩_bilibili更多论文：https://github.com/mli/paper-reading, 视频播放量 160552、弹幕量 803、点赞数 5846、投硬币枚数 4003、收藏人数 5253、转发人数 2664, 视频作者 跟李沐学AI, 作者简介 ，相关视频：GPT，GPT-2，GPT-3 论文精读【论文精读】，算法领域的“大力出奇迹”：ChatGPT！李宏毅教授重磅解读ChatGPT的底层逻辑！感兴趣的同学赶紧收藏学习了！，南丁格尔来了都得连夜买机票回国，ChatGPT原理剖析 李宏毅，【人物 | 李沐】亚马逊AI主任科学家，MXNet-Gluon深度学习框架【计算机科学】，ChatGPT：接下来，我要开始说真话了😋，男子喝酒喝进医院，医生：已没有抢救的必要，妻子当场崩溃，新版Bing——科研人的终极解决方案，高燃！chatGPT爆杀字节三面面试官！，chatgpt评价原神https://www.bilibili.com/video/BV1hd4y187CR/?spm_id_from=333.999.0.0&vd_source=4aed82e35f26bb600bc5b46e65e25c22instructGPT是在给定一定标注数据的情况下，如果通过有监督微调来使模型和用户输入达成align，并且很好的提升了效果。

instructGPT标注一些数据，来精调语言模型。

abstract: 大型语言模型可能会产生一些不真实有害不利于用户的信息，因此模型并不能很好的align用户。用fine-tuning with hunman feedback，在openai api上收集了一些人工prompts，并进行标注，精调了GPT3。此外，对模型输出进行了排序，人工对结果进行排序并且训练了一个强化学习模型，这个模型叫instructGPT。1.3B的InstructGPT要好过175B的GPT3。

1.introduction

大模型的目标函数是预测网上数据的下一个词，这和我们想让大模型根据人的提示去生成答案之间是有差距的。本文的核心目的就是想让用户的提示和大模型输出的结果更加align。 

第一步，人工给prompts写答案，并用这个数据来微调gpt3，这个叫sft，但是人工写答案是很昂贵的。第二步，使用模型输出prompt的多个结果，然后人工对结果进行标注，训练一个reward模型，模型输出一个分数，对生成的答案进行打分。第三步，进一步微调sft，使得sft的结果是reward模型中打分较高的那个。gpt3通过上面三步产生的就是instructGPT.

有监督微调，模型的泛化性不错。

2.method

dataset

标注问题写了一些prompt，训练了一个InstructGPT，把模型放出来让大家试用，大家试用的问题收集起来，作为新的prompts。产生了三个数据集，1.让标注人员标注一部分数据，2.一个RM数据集，只需要排序就可以了，3.训练强化模型数据，不需要标注，因为标注来源于RM的标注。训练sft是13k样本，训练RM是33k样本，训练PPO数据是31k样本。大概40个人标注。

上面左图是用户用api提问的问题，右边是部分问题的示例。

models

supervised fine-tuning(SFT)，用13k数据微调GPT3，训了16轮，其实第一轮就过拟合了。

reward modeling(RM)，从sft模型中去掉最后一层unembedding layer，去掉softmax，加一个线性层，把prompt的完整输出向量变成一个分数，用的6b的gpt3，不是175b的gpt3，175b的训练不了，用的pairwise ranking loss，实际上是一个排序模型，对于每个prompt生成9个回答。

refinement learning(RL)，

πrl和πsft初始化是相同的，前者是要学习的模型，后者是精调的gpt3，输入x，经过πrl得到y，将x，y数据输入rm模型，希望此时y的分数是最大的，也就是说希望rl模型生成的答案总是分数最好的那个。x作为prompt，不变，但是模型每次采样到的y是变化的，rl的策略是变化的。

用了ppo的模型效果好很多。