©PaperWeekly 原创 · 作者 | 郎皓单位 | 阿里巴巴论文标题:Fine-Tuning Language Models with Reward Learning on Policy论文作者:郎皓、黄非、李永彬收录会议:NAACL 2024论文链接:https://arxiv.org/abs/2403.19279代码和数据:https://github.com/AlibabaResearch/DAMO-ConvAI/tree/main/rlp引言目前,大语言模型(LLMs)在遵循开放域用户指令方面表现出强大能力 [1]。这项能力主要归功于利用人类偏好数据微调预训练大语言模型(Reinforcement Learning from Human Feedback,RLHF)[2]。一个典型的 RLHF 过程包括三个相关步骤 [3]:人类偏好数据搜集、奖励模型学习(reward learning)和策略优化(policy optimization),如下图(top)所示。上述 RLHF 的三个步骤通常先后串行执行。因为策略优化在微调大语言模型过程中改变了其数据分布,导致基于离线数据训练的(fixed)奖励模型存在不准确地分布偏离问题(inacc
………………………………