当前位置：首页 > news >正文

10分钟彻底搞懂大模型 - 基于人类反馈的强化学习（RLHF）

news 2026/5/12 8:24:46

RLHF

随着大型语言模型（LLM）的快速发展，如何使这些模型更好地理解和满足人类的需求成为了一个关键问题。传统的训练方法往往依赖于大规模的语料库和基于规则的损失函数，但这在处理复杂、主观和依赖上下文的任务时存在局限性。因此，基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）应运而生，为模型的训练提供了一种新的思路。

RLHF

一、RLHF的框架

什么是RLHF？基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF），RLHF是一种将人类反馈与强化学习相结合的方法，旨在通过引入人类偏好来优化模型的行为和输出。

在RLHF中，人类的偏好被用作奖励信号，以指导模型的训练过程，从而增强模型对人类意图的理解和满足程度。这种方法使得模型能够更自然地与人类进行交互，并生成更符合人类期望的输出。

RLHF

RLHF的框架是什么？基于人类反馈的强化学习（Reinforcement Learning from Human Feedback, RLHF）框架是一个复杂但高效的系统，包括强化学习算法、行动、环境、观察和奖励机制。

1. 强化学习算法（RL Algorithm）

在RLHF框架中，常用的强化学习算法之一是近端策略优化（Proximal Policy Optimization, PPO）。PPO是一种用于训练代理的“on-policy”算法，它直接学习和更新当前策略，而不是从过去的经验中学习。

2. 行动（Action）

在RLHF框架中，行动指的是语言模型根据给定的提示（prompt）生成的输出文本。这些输出文本是模型在尝试完成特定任务或响应特定指令时产生的。行动空间（Action Space）是词表所有token（可以简单理解为词语）在所有输出位置的排列组合。

3. 环境（Environment）

在RLHF中，环境是代理（即我们的语言模型）与之交互的外部世界，它提供了代理可以观察的状态、执行的动作以及根据这些动作给予的奖励。

状态空间（State Space）：这是环境可能呈现给代理的所有可能状态的集合。在RLHF中，状态通常对应于输入给模型的提示（prompt）或上下文信息。
动作空间（Action Space）：这是代理可以执行的所有可能动作的集合。在RLHF中，动作对应于模型生成的输出文本，即模型根据输入提示生成的响应。
奖励函数（Reward Function）：这是一个根据代理在环境中的行为（即生成的输出）来分配奖励的函数。在RLHF中，奖励函数通常不是直接给出的，而是通过训练一个奖励模型来预测的，该奖励模型能够基于人类反馈来评估不同输出的质量。

4. 观察（Observation）

在RLHF框架中，观察指的是模型在生成输出文本时所接受到的输入提示（prompt）。这些提示是模型尝试完成任务的依据，也是模型进行决策和行动的基础。观察空间（Observation Space）是可能输入的token序列，即Prompt。

5. 奖励机制（Reward）

奖励机制是RLHF框架中的核心组成部分之一。它基于奖励模型对人类偏好的预测来给予模型奖励或惩罚。它需要使用大量的人类反馈数据来进行训练**，以确保能够准确地预测人类对不同输出的偏好。这些数据通常通过让标注人员对模型生成的输出进行排序、打分或提供其他形式的反馈来收集。

二、RLHF实战：InstructGPT训练的3个阶段

如何使用RLHF进行InstructGPT模型训练？三个阶段共同构成了InstructGPT的训练过程，通过收集描述性数据和比较性数据**，并分别训练监督学习模型和奖励模型，最后利用PPO强化学习算法对奖励模型进行优化，从而训练出能够生成高质量、符合人类偏好输出的InstructGPT模型（ChatGPT的前身）。**

第一步：收集描述性数据，并训练一个监督学习模型

从prompt数据集中采样出一部分数据。
标注员根据要求为采样的prompt编写答案，形成demonstration data。
利用这些标注好的数据来微调GPT-3模型，训练出一个监督学习模型。

关键术语：

Supervised Fine-Tuning（SFT）：有监督微调，即使用描述性数据来微调GPT-3模型。
Demonstration Data：描述性数据，由标注员为prompt编写的答案。

第二步：收集比较性数据，并训练一个奖励模型

从prompt数据库中取样，并得到数个模型的答案。
标注员为模型的多个输出进行打分或排序，这些输出是基于同一prompt生成的。
利用这些打分或排序数据来训练一个奖励模型（Reward Modeling，RM），该模型能够预测人类对不同输出的偏好分数。

关键术语：

Reward Modeling（RM）：奖励模型，用于预测人类对不同输出的偏好分数。
Comparison Data：比较性数据，由标注员对模型输出的打分或排序构成。

第三步：用PPO强化学习算法对奖励模型进行优化

从prompt数据库中另外取样。
由监督学习初始化PPO模型。
模型给出答案。
奖励模型对回答打分。
获得的分数通过PPO算法优化模型。

关键术语：

Proximal Policy Optimization（PPO）：近端策略优化算法，一种用于强化学习的策略优化方法。
Reinforcement Learning from Human Feedback（RLHF）：基于人类反馈的强化学习，是InstructGPT训练过程中的核心方法。