隨著ChatGPT等模型的影響力越來越大，如何根據(jù)人類反饋優(yōu)化大模型的性能，實(shí)現(xiàn)超級對齊降低非法內(nèi)容輸出變得非常重要。

傳統(tǒng)的DPO（直接偏好優(yōu)化）是使用較多的離線偏好優(yōu)化算法，主要通過重新參數(shù)化獎勵函數(shù)，從人類反饋中學(xué)習(xí)以優(yōu)化大模型。但是DPO的獎勵函數(shù)依賴于一個參考模型，不僅會大幅度增加AI算力和內(nèi)存需求，在訓(xùn)練和推理過程中的度量會出現(xiàn)不一致等情況。

所以，弗吉尼亞大學(xué)和普林斯頓大學(xué)的研究人員推出了更好的優(yōu)化方法SimPO。

論文地址：https://arxiv.org/abs/2405.14734

Github地址：https://github.com/princeton-nlp/SimPO

SimPO是在DPO的基礎(chǔ)之上進(jìn)行了創(chuàng)新，通過采用序列的平均對數(shù)概率作為隱式獎勵機(jī)制，這一巧妙的設(shè)計與模型生成過程緊密相連，同時消除了對參考模型的依賴，極大提升了了計算效率和內(nèi)存使用率。

此外，SimPO還提出了一個“目標(biāo)獎勵邊際”的概念，將其嵌入到布拉德利-特里比較模型中，這個邊際設(shè)定使得勝出的模型響應(yīng)與失敗的響應(yīng)之間形成更大的差距，可有效增強(qiáng)算法的區(qū)分度進(jìn)一步優(yōu)化分類效果，使得模型的輸出內(nèi)容更加符合人類的偏好。

自由獎勵函數(shù)

?

DPO優(yōu)化方法的獎勵函數(shù)的構(gòu)建依賴于一個參考模型，通常是一個經(jīng)過監(jiān)督微調(diào)的模型。這也是致使其大幅度增加算力、內(nèi)存的主要原因。SimPO通過自由獎勵函數(shù)可以有效解決這些難點(diǎn)。

自由獎勵函數(shù)不再依賴于任何外部的參考模型，而是直接使用策略模型本身來計算獎勵。SimPO將獎勵函數(shù)定義為序列中所有標(biāo)記的對數(shù)概率的平均值，公式如下：

這種設(shè)計使得獎勵函數(shù)與模型生成過程中使用的度量（即平均對數(shù)似然）直接對齊，從而確保了模型在生成響應(yīng)時能夠更加精確地優(yōu)化目標(biāo)。

此外，SimPO的獎勵函數(shù)還引入了長度歸一化的技術(shù)概念。在生成任務(wù)中，序列的長度往往會對模型的生成質(zhì)量產(chǎn)生影響。如果不對長度進(jìn)行歸一化處理，模型可能會傾向于生成較短或較長的序列，不符合用戶對生成質(zhì)量的期望。

通過將獎勵函數(shù)除以序列長度，SimPO確保了獎勵與序列長度無關(guān)，避免了模型在生成過程中對長度的過度依賴。

SimPO實(shí)驗(yàn)數(shù)據(jù)

?

為了評估、驗(yàn)證SimPO的性能，研究團(tuán)隊(duì)在多種模型的預(yù)訓(xùn)練下進(jìn)行了廣泛的比較實(shí)驗(yàn)，涵蓋基礎(chǔ)模型和指令微調(diào)模型，例如，非常出名的Mistral系列和Llama3等。特別是在評估指標(biāo)上，他們選取了AlpacaEval 2、MT-Bench以及最近推出的具有挑戰(zhàn)性的Arena-Hard基準(zhǔn)測試。

結(jié)果顯示，無論是在哪項(xiàng)測試中，SimPO均展現(xiàn)出了優(yōu)于DPO及同類技術(shù)的優(yōu)化性能。在AlpacaEval 2上，SimPO的提升幅度最大可達(dá)6.4分，而在Arena-Hard上，這一數(shù)值更是達(dá)到了7.5分，充分證明算法的高效性。

值得一提的是，基于Llama3-8B-Instruct構(gòu)建的模型，在應(yīng)用SimPO算法后，在AlpacaEval 2上的表現(xiàn)達(dá)到了驚人的44.7%的控制長度勝率，超越了排行榜上的Claude 3 Opus，同時在Arena-Hard上也取得了33.8%的勝率，成為高性能的80億參數(shù)開源大模型。

本文轉(zhuǎn)自 AIGC開放社區(qū) ，作者：AIGC開放社區(qū)

原文鏈接:??https://mp.weixin.qq.com/s/pn9UQmdKWLWHszrfOUQW9w??