Mar, 2024

混合偏好优化:通过数据选择和更好的参考模型进行强化学习

TL;DR本文研究了大规模语言模型(LLMs)对齐的两种主要方法:强化学习与人类反馈(RLHF)以及基于对比学习的直接偏好优化(DPO)。通过分析RLHF和DPO的稳定性和鲁棒性,我们提出了一种新方法MPO(混合偏好优化),该方法减轻了两种方法的缺点。我们提出了一个两阶段的训练过程:首先在一个简单的数据集上对DPO进行训练,然后在一个具有DPO模型作为参考模型的困难集上进行RLHF。实验在两个公开的对齐数据集上进行,即HH-RLHF和TLDR,展示了MPO的有效性,无论是在GPT4上还是人类评估上。