吃“有毒”數(shù)據(jù)，大模型反而更聽話了！來自港科大&華為諾亞方舟實(shí)驗(yàn)室

魚羊 2023-10-26 15:15:03 來源：量子位

港科大&華為諾亞方舟實(shí)驗(yàn)室

量子位 | 公眾號 QbitAI

現(xiàn)在，大模型也學(xué)會(huì)“吃一塹，長一智”了。（手動(dòng)狗頭）

來自香港科技大學(xué)和華為諾亞方舟實(shí)驗(yàn)室的最新研究發(fā)現(xiàn)：

相比于一味規(guī)避“有毒”數(shù)據(jù)，以毒攻毒，干脆給大模型喂點(diǎn)錯(cuò)誤文本，再讓模型剖析、反思出錯(cuò)的原因，反而能夠讓模型真正理解“錯(cuò)在哪兒了”，進(jìn)而避免胡說八道。

具體而言，研究人員提出了“從錯(cuò)誤中學(xué)習(xí)”的對齊框架，并通過實(shí)驗(yàn)證明：

讓大模型“吃一塹，長一智”，在糾正未對齊的模型方面超越了SFT和RLHF的方法，而且在對已對齊模型進(jìn)行高級指令攻擊的防御方面也具有優(yōu)勢。

一起來看詳情。

從錯(cuò)誤中學(xué)習(xí)的對齊框架

現(xiàn)有的大語言模型對齊算法主要?dú)w為兩大類：

• 有監(jiān)督的微調(diào)（SFT）
• 人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）

SFT方法主要依賴于海量人工標(biāo)注的問答對，目的是使模型學(xué)習(xí)“完美的回復(fù)”。但其缺點(diǎn)在于，模型很難從這種方法中獲得對“不良回復(fù)”的認(rèn)知，這可能限制了其泛化能力。

RLHF方法則通過人類標(biāo)注員對回復(fù)的排序打分來訓(xùn)練模型，使其能夠區(qū)分回復(fù)的相對質(zhì)量。這種模式下，模型學(xué)會(huì)了如何區(qū)分答案的高下，但它們對于背后的“好因何好”與“差因何差”知之甚少。

總的來說，這些對齊算法執(zhí)著于讓模型學(xué)習(xí)“優(yōu)質(zhì)的回復(fù)”，卻在數(shù)據(jù)清洗的過程中遺漏了一個(gè)重要環(huán)節(jié)——從錯(cuò)誤中汲取教訓(xùn)。

能不能讓大模型像人類一樣，“吃一塹，長一智”，即設(shè)計(jì)一種對齊方法，讓大模型既能從錯(cuò)誤中學(xué)習(xí)，又不受含有錯(cuò)誤的文本序列影響呢？

△“從錯(cuò)誤中學(xué)習(xí)”的大語言模型對齊框架，包含4個(gè)步驟，分別是（1）錯(cuò)誤誘導(dǎo)（2）基于提示指引的錯(cuò)誤分析（3）無引導(dǎo)的模型微調(diào)（4）基于提示引導(dǎo)的回復(fù)生成

香港科技大學(xué)和華為諾亞方舟實(shí)驗(yàn)室的研究團(tuán)隊(duì)對此進(jìn)行了實(shí)驗(yàn)。

通過對Alpaca-7B、GPT-3和GPT-3.5這三個(gè)模型的實(shí)驗(yàn)分析，他們得出了一個(gè)有趣的結(jié)論：

對于這些模型，識別錯(cuò)誤的回復(fù)，往往比在生成回復(fù)時(shí)避免錯(cuò)誤來得容易。

△判別比生成更容易

并且，實(shí)驗(yàn)還進(jìn)一步揭示，通過提供適當(dāng)?shù)闹笇?dǎo)信息，例如提示模型“回復(fù)中可能存在錯(cuò)誤”，模型識別錯(cuò)誤的準(zhǔn)確性可以得到顯著提升。

基于這些發(fā)現(xiàn)，研究團(tuán)隊(duì)設(shè)計(jì)了一種利用模型對錯(cuò)誤的判別能力來優(yōu)化其生成能力的全新對齊框架。

對齊流程是這樣的：

（1）錯(cuò)誤誘導(dǎo)

這一步的目標(biāo)是誘導(dǎo)模型產(chǎn)生錯(cuò)誤，發(fā)現(xiàn)模型的弱點(diǎn)所在，以便后續(xù)進(jìn)行錯(cuò)誤分析和修正。

這些錯(cuò)誤案例可以來自于現(xiàn)有的標(biāo)注數(shù)據(jù)，或者是模型在實(shí)際運(yùn)行中被用戶發(fā)現(xiàn)的錯(cuò)例。

該研究發(fā)現(xiàn)，通過簡單的紅隊(duì)攻擊誘導(dǎo)，例如向模型的指令中添加某些誘導(dǎo)性關(guān)鍵字（如“unethical”和“offensive”），如下圖(a)所示，模型往往會(huì)產(chǎn)生大量不恰當(dāng)?shù)幕貜?fù)。

（2）基于提示引導(dǎo)的錯(cuò)誤分析

當(dāng)收集到足夠多包含錯(cuò)誤的問答對后，方法進(jìn)入第二步，即引導(dǎo)模型對這些問答對進(jìn)行深入分析。

具體來說，該研究要求模型解釋為什么這些回復(fù)可能是不正確或不道德的。

如下圖(b)所展示，通過為模型提供明確的分析指導(dǎo)，比如詢問“為什么這個(gè)答案可能是錯(cuò)誤的”，模型通常能給出合理的解釋。

（3）無引導(dǎo)性的模型微調(diào)

在收集了大量的錯(cuò)誤問答對及其分析后，該研究使用這些數(shù)據(jù)來進(jìn)一步微調(diào)模型。除了那些包含錯(cuò)誤的問答對，也加入了正常的人類標(biāo)注問答對作為訓(xùn)練數(shù)據(jù)。

如下圖(c)所示，在這一步驟中，該研究并沒有給模型任何關(guān)于回復(fù)中是否包含錯(cuò)誤的直接提示。這樣做的目的是鼓勵(lì)模型自行思考、評估并理解出錯(cuò)的原因。

（4）基于提示引導(dǎo)的回復(fù)生成

推理階段采用了基于引導(dǎo)的回復(fù)生成策略，明確提示模型產(chǎn)生“正確的、符合道德且無冒犯性”的回復(fù)，從而確保模型遵守道德規(guī)范，避免受到錯(cuò)誤文本序列影響。

即，在推理過程中，模型基于符合人類價(jià)值觀的生成指導(dǎo)，進(jìn)行條件生成，從而產(chǎn)生恰當(dāng)?shù)妮敵觥?/p>

△“從錯(cuò)誤中學(xué)習(xí)”的大語言模型對齊框架指令示例

以上對齊框架無需人類標(biāo)注以及外部模型（如獎(jiǎng)勵(lì)模型）的參與，模型通過利用自身對錯(cuò)誤的判別能力對錯(cuò)誤進(jìn)行分析，進(jìn)而促進(jìn)其生成能力。

就像這樣，“從錯(cuò)誤中學(xué)習(xí)”可以準(zhǔn)確識別用戶指令當(dāng)中的潛在風(fēng)險(xiǎn)，并做出合理準(zhǔn)確的回復(fù)：

實(shí)驗(yàn)結(jié)果

研究團(tuán)隊(duì)圍繞兩大實(shí)際應(yīng)用場景展開實(shí)驗(yàn)，驗(yàn)證新方法的實(shí)際效果。

場景一：未經(jīng)過對齊的大語言模型

以Alpaca-7B模型為基線，該研究采用了PKU-SafeRLHF Dataset數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，與多種對齊方法進(jìn)行了對比分析。

實(shí)驗(yàn)結(jié)果如下表所示：

當(dāng)保持模型的有用性時(shí)，“從錯(cuò)誤中學(xué)習(xí)”的對齊算法在安全通過率上相比SFT、COH和RLHF提高了大約10%，與原始模型相比，提升了21.6%。

同時(shí)，該研究發(fā)現(xiàn)，由模型自身產(chǎn)生的錯(cuò)誤，相較于其他數(shù)據(jù)源的錯(cuò)誤問答對，展現(xiàn)出了更好的對齊效果。

△未經(jīng)過對齊的大語言模型實(shí)驗(yàn)結(jié)果

場景二：已對齊模型面臨新型指令攻擊

研究團(tuán)隊(duì)進(jìn)一步探索了如何加強(qiáng)已經(jīng)過對齊的模型，以應(yīng)對新出現(xiàn)的指令攻擊模式。

這里，該研究選擇了ChatGLM-6B作為基線模型。ChatGLM-6B已經(jīng)經(jīng)過安全對齊，但面對特定指令攻擊時(shí)仍可能產(chǎn)生不符合人類價(jià)值觀的輸出。

研究人員以“目標(biāo)劫持”這種攻擊模式為例，并使用含有這一攻擊模式的500條數(shù)據(jù)進(jìn)行了微調(diào)實(shí)驗(yàn)。如下表所示，“從錯(cuò)誤中學(xué)習(xí)”的對齊算法在面對新型指令攻擊時(shí)展現(xiàn)出了強(qiáng)大的防御性：即使只使用少量的新型攻擊樣本數(shù)據(jù)，模型也能成功保持通用能力，并在針對新型攻擊（目標(biāo)劫持）的防御上實(shí)現(xiàn)了16.9%的提升。

實(shí)驗(yàn)還進(jìn)一步證明，通過“從錯(cuò)誤中學(xué)習(xí)”策略獲得的防御能力，不僅效果顯著，而且具有很強(qiáng)的泛化性，能夠廣泛應(yīng)對同一攻擊模式下的多種不同話題。

△經(jīng)過對齊的模型抵御新型攻擊

論文鏈接：
https://arxiv.org/abs/2310.10477

— 完 —