大語言模型都卷起來了，模型越做越大，token越來越多，輸出越來越長。

那么問題來了，如何有效地評估大語言模型的長篇大論呢？要是輸出長度長了但胡言亂語輸出質(zhì)量差，又臭又長，豈不是白搭?

首先能想到的方法就是人工評估。人工評估雖然對于評價模型性能至關(guān)重要，但受到主觀性、評估者之間的差異性以及廣泛評估的高成本的限制。

考慮到這些因素，谷歌DeepMind研究團隊提出了自動評估解決方案FLAMe。

圖片

論文地址：https://arxiv.org/abs/2407.10817

模型本身在經(jīng)歷多輪大規(guī)模指令任務(wù)調(diào)整后，可以遵循一套新的指令，使它們適合用作模型輸出的自動評估器。

一方面，為了使LLM自動評分更加合理、準(zhǔn)確并與人類偏好保持一致，對人類判斷的數(shù)據(jù)收集極其重要。

然而，獲得這些判斷數(shù)據(jù)既昂貴又耗時。從以前的研究中收集現(xiàn)有的人類評估貌似可行，但面臨著缺乏標(biāo)準(zhǔn)、文檔數(shù)據(jù)不充分、數(shù)據(jù)隱私和專有權(quán)等問題。

另一方面，直接使用模型輸出進行自動評分器訓(xùn)練可提供一致性，但也存在風(fēng)險，包括強化偏見和幻覺。

此外，它可能違反專有LLM服務(wù)的使用條款，條款禁止使用其模型的輸出來開發(fā)競爭模型。

為了解決這些限制和顯著降低成本，谷歌引入了一個用于自動評分的大型基礎(chǔ)模型系列----FLAMe。

FLAMe模型的主要優(yōu)勢和貢獻是：

- 數(shù)據(jù)收集：僅使用獲得許可的數(shù)據(jù)集，并對人類評估結(jié)果進行標(biāo)準(zhǔn)化。共包含102個評估任務(wù)、530萬條人類評估意見。為了促進未來的研究，論文公開了所有數(shù)據(jù)集來源。

- LLM自動評分器：既包括使用多任務(wù)組合來訓(xùn)練通用 LLM自動評分器 (FLAMe) ，也包括針對下游應(yīng)用程序優(yōu)化過的LLM 自動評分器 ( FLAMe-RM 和 FLAMe-Opt-RM）。

在12個自動評分器評估基準(zhǔn)中的8個基準(zhǔn)上，F(xiàn)LAMe及其變體的自動評分性能優(yōu)于用專有數(shù)據(jù)訓(xùn)練的GPT-4o、Gemini-1.5-Pro等模型。

- 計算高效的多任務(wù)訓(xùn)練：引入了一種計算更為高效的方法，使用創(chuàng)新的微調(diào)策略來優(yōu)化目標(biāo)分布的多個任務(wù)，顯著減少計算量來實現(xiàn)更佳的性能。

自動評估方法

為了將人工評估的流程自動化，作者對LLM任務(wù)和評估標(biāo)準(zhǔn)進行了細致的定義。

數(shù)據(jù)收集

和領(lǐng)域內(nèi)很多科技巨頭的做法形成鮮明對比的是，DeepMind這篇論文不僅披露了使用的數(shù)據(jù)集列表，而且從數(shù)據(jù)收集步驟開始，就堅持了幾個公認正確但很難做到的原則。

首先，為了論文的透明度和可復(fù)現(xiàn)，作者僅使用HuggingFace、TensorFlow這些平臺上的公共開源數(shù)據(jù)集，以及得到原作者許可的GitHub庫。

為了避免GPT-4等模型生成數(shù)據(jù)帶來的不準(zhǔn)確性和潛在法律問題，作者只使用了帶有人工標(biāo)注的數(shù)據(jù)集，并涵蓋了各種任務(wù)類型（圖3）和LLM能力（圖4）。

最終用于訓(xùn)練的數(shù)據(jù)集含有102項評估任務(wù)、共530萬條經(jīng)過標(biāo)準(zhǔn)化處理的人類評估意見。

圖片

任務(wù)類型主要包含以下四種：

- 成對評估（pairwise evaluation）：比較兩個響應(yīng)結(jié)果并確定偏好

- 逐點評估（pointwise evaluation）：對單個響應(yīng)結(jié)果的指定屬性進行打分

- 分類：將單個響應(yīng)劃分為某個預(yù)定義類別，例如：模型輸出是否遵循說明？（是/否）

-開放式評估：自由形式、不受限制的評估結(jié)果

圖片

按照評估的LLM能力劃分數(shù)據(jù)集，則大致有6類能力：

- 一般響應(yīng)質(zhì)量：包括有用性、連貫性、流暢性、創(chuàng)造力、復(fù)雜性和冗長性等多個屬性，以及指令跟隨能力

- 事實性/內(nèi)容出處：針對LLM應(yīng)用中日益重要的幻覺問題，幾個數(shù)據(jù)集都用于評估響應(yīng)輸出的事實準(zhǔn)確性及其基礎(chǔ)，看模型提出的聲明是否有源文檔作為依據(jù)

- 數(shù)學(xué)推理：區(qū)分LLM生成數(shù)學(xué)解題方案的正確或錯誤

- 編碼：涵蓋Python、JavaScript、Java、C++、Go和Rus等流行編程語言，訓(xùn)練FLAMe從備選答案中選出正確程序或修復(fù)程序

- 安全性：為了使FLAMe能夠識別出更有幫助且無害的模型響應(yīng)

- 指令微調(diào)：結(jié)合數(shù)據(jù)集中的指令微調(diào)數(shù)據(jù)和人類編寫的響應(yīng)，幫助保留模型的指令微調(diào)能力

統(tǒng)一任務(wù)格式

精心選擇好合適的數(shù)據(jù)集后，作者受到T5統(tǒng)一任務(wù)格式的啟發(fā)，將所有數(shù)據(jù)都標(biāo)準(zhǔn)化為統(tǒng)一的「文本到文本」格式。這種靈活的格式可以輕松適應(yīng)上述各種評估任務(wù)。

任務(wù)定義、評估指令和所需的輸出字段被列在輸入的INSTRUCTION部分，具體的輸入內(nèi)容和目標(biāo)輸出分別放在CONTEXT和EVALUATION部分（圖2）。

其中任務(wù)定義和評估指令都經(jīng)過精心設(shè)計，確保一致性和標(biāo)準(zhǔn)化，并忠實于原始數(shù)據(jù)集。

模型訓(xùn)練

為了訓(xùn)練出通用LLM自動評估器，能夠在推理過程中提示它們執(zhí)行各種任務(wù)。實驗訓(xùn)練了三種模型變體：

FLAMe，通用評分器；

FLAMe-RM，用FLAMe初始化，并均勻混合了四個成對評估數(shù)據(jù)集進行微調(diào)，性能評估標(biāo)準(zhǔn)包括聊天對話、推理和安全性；

FLAMe-Opt-RM，使用獎勵模型優(yōu)化的混合權(quán)重進行訓(xùn)練，并使用尾部補丁微調(diào)策略（tail-patch fine-tuning）。

FLAMe

從基準(zhǔn)訓(xùn)練方法開始，使用監(jiān)督多任務(wù)訓(xùn)練的方式，對PaLM-2-24B模型進行指令微調(diào)，進行固定數(shù)量的30K訓(xùn)練步驟。

采用示例比例混合權(quán)重（examples-proportiaonal mixture weights），每個任務(wù)采樣上限為為2^16，以避免對大型數(shù)據(jù)集進行過采樣。

FLAMe模型顯著提高了對各種held-out任務(wù)的泛化能力，在許多任務(wù)上優(yōu)于GPT-4、Claude-3和Llama-3等模型。

圖片

以上數(shù)據(jù)能夠證明FLAMe具有的的基礎(chǔ)功能，即進行大規(guī)模多任務(wù)指令微調(diào)，可以讓模型發(fā)展出通用的質(zhì)量評估能力。

然而，F(xiàn)LAMe對于獎勵模型評估等專門的下游應(yīng)用來說并不是最佳的，因此論文進一步提出針對特定下游分布的模型變體。

FLAMe-RM

受FLAMe研究結(jié)果的啟發(fā)，作者更加深入地研究了FLAMe的拓展，將其作為進一步微調(diào)特定下游應(yīng)用的起點。

作者采用了大量獎勵模型評估作為案例研究。通過在四個成對評估數(shù)據(jù)集的混合上微調(diào)FLAMe來創(chuàng)建FLAMe-RM。

數(shù)據(jù)集包括：HelpSteer、PRM800K、CommitPack和HH-RLHF Harmless。

由于FLAMe已經(jīng)在這些數(shù)據(jù)集上進行了訓(xùn)練，因此僅對其進行50個步驟的微調(diào)。

由此產(chǎn)生的FLAMe-RM模型將原始FLAMe的RewardBench總體得分從86.0%準(zhǔn)確率提高到87.8%。

值得注意的是，F(xiàn)LAMe-RM-24B是專門在許可數(shù)據(jù)上訓(xùn)練的性能最佳的生成模型，超過了GPT-4(85.9%) 和GPT-4o (84.7%)。

圖片

FLAMe-Opt-RM

雖然FLAM在許多任務(wù)中表現(xiàn)良好，但它需要大量的訓(xùn)練才能在某些專門的下游應(yīng)用程序（例如RewardBench）上獲得強大的性能。

圖片

為了解決這個問題，研究引入了一種尾部補丁消融策略（tail-patch ablation），該策略分析每個數(shù)據(jù)集對目標(biāo)分布的影響。

這能夠幫助找到多任務(wù)混合中各個數(shù)據(jù)集的最佳比例，從而有效地優(yōu)化混合權(quán)重超參數(shù)。

通過這種優(yōu)化過的混合數(shù)據(jù)微調(diào)PaLM-2-24B僅需要5000步，相比RewardBench上的基線模型（86.0%）實現(xiàn)了有競爭力的性能 (87.0%)，而且所用的訓(xùn)練數(shù)據(jù)也減少了約25倍。

研究直接根據(jù)RewardBench性能變化（由于缺乏開發(fā)集）優(yōu)化了多任務(wù)混合。

值得注意的是，研究的目標(biāo)不是實現(xiàn)最佳的RewardBench結(jié)果，而是展示如何針對目標(biāo)分布進行多任務(wù)混合的優(yōu)化方法。

通過測試發(fā)現(xiàn)，和FLAMe-RM 一樣，微調(diào)進一步提高了RewardBench性能。

此外，F(xiàn)LAMe-Opt-RM在其他held-out任務(wù)中的優(yōu)秀表現(xiàn)表明,moxing 并沒有過度擬合RewardBench，這證實了FLAMe-Opt-RM在不同任務(wù)中的廣泛適用性。

訓(xùn)練細節(jié)

研究使用了PaLM-2-24B模型對FLAMe和 FLAMe-Opt-RM進行初始化，并在Flan集合上進行指令調(diào)整，分別訓(xùn)練30000步和5000步，然后將FLAMe進一步微調(diào)50步以創(chuàng)建 FLAMe-RM。

模型使用T5X和Adam優(yōu)化器進行訓(xùn)練，學(xué)習(xí)率為 0.0001，dropout為 0.05。

FLAMe在256個PU芯片上進行訓(xùn)練，批大小為32，而FLAMe-RM和FLAMe-Opt-RM使用128個TPU芯片，批大小為8。

評估實驗

討論過FLAMe系列模型的構(gòu)建方法后，作者使用了包含12個自動評分器基準(zhǔn)的評估套件，將FLAMe與幾個流行的LLM-as-a-Judge自動評分器進行對比。

12個基準(zhǔn)中，只有HelpSteer作為held-in驗證，其余的RewardBench、LLM-AggreFact等11個作為held-out測試。

評估數(shù)據(jù)同樣涵蓋了53個任務(wù)，但為了降低模型API成本，每個測試集（除RewardBench）僅隨機抽取256個樣本。

對比的基線包括Llama-3-70B-Instruct、Mixtral8×7B、Claude-3-Opus等流行的LLM-as-a-Judge模型，以及RewardBench官方排行榜上列出的Gemini-1.5-Pro、Nemotron-4-340B-Reward等。

FLAMe的3種模型變體都參與了評估，而且還包括了進行指令微調(diào)前的PaLM-2-24B，以更好說明FLAMe訓(xùn)練的效果。

表1列舉了FLAMe系列在12個基準(zhǔn)上與流行基線模型的對比。

其中8個都取得了最優(yōu)性能，尤其是Contr Search和HelpSteer上相比次優(yōu)模型有大幅度提升，讓我們看到了「許可數(shù)據(jù)」超越「專有數(shù)據(jù)」的希望。

圖片

在RewardBench排行榜上，截止7月15日，F(xiàn)LAMe-RM-24B在所有生成模型中排名第2（僅次于Gemini-1.5-Pro），在所有模型中排名第6，在4個類別中都取得了強勁表現(xiàn)。

圖片

圖片

雖然RewardBench是評估獎勵模型時被廣泛使用的基準(zhǔn)，但作者也在實驗時發(fā)現(xiàn)了其中的評估偏差問題，比如有對輸出答案的長度偏好，以及偏愛「sorry」、「I'm sorry」等短語。

RewardBench4個類別任務(wù)對響應(yīng)長度的不同偏好

在AggreFact基準(zhǔn)的結(jié)果中（表3），F(xiàn)LAMe-24B獲得了整體最佳性能，比GPT-4o高出將近1分。

在總共4個類別的用例中，F(xiàn)LAMe系列變體在其中3個取得了最優(yōu)性能，僅在Long-formQA上表現(xiàn)不佳，與表1中LFQA Eval的結(jié)果相一致。

圖片

此外，上述3個表格中都能發(fā)現(xiàn)，相比原有的PALM-2-24B，經(jīng)過訓(xùn)練后的FLAMe-24B性能有大幅度的提升，證明了FLAMe訓(xùn)練方法的有效性。

分析

模型大小、數(shù)據(jù)集大小和數(shù)據(jù)質(zhì)量等因素在最近的多任務(wù)學(xué)習(xí)和指令調(diào)優(yōu)工作中已經(jīng)得到了廣泛的研究。

論文更加著重探索LLM自動評分器固有的潛在偏見，這也是影響評估準(zhǔn)確性的一個重要方面。

另外，F(xiàn)LAMe對于AI開發(fā)還有許多潛在用途，例如對高質(zhì)量響應(yīng)數(shù)據(jù)進行采樣。

自動評分器偏差分析

對LLM自動評估器（LLM-as-a-Judge autorater）的常見批評主要涉及他們對某些判斷的偏見。

通過在自動評估器偏見基準(zhǔn)CoBBLEr上評估 FLAMe及其變體，論文發(fā)現(xiàn)FLAMe模型比其他流行的LLM自動評估器的偏見要小得多。

CoBBLEr主要測量LLM自動評估器中的6種偏見:

1. 順序:自動評估器對回復(fù)順序是否有偏好?
2. 同情心:當(dāng)使用生成響應(yīng)的LLM的實際名稱（例如「GPT-4」）而不是「Model A」等別名時，自動評估者的判斷會改變嗎?
3. 長度:自動評估器是否會偏好較長或較短的輸出?
4. 以自我為中心:自動評估器是否偏愛自己生成的輸出?
5. 見風(fēng)使舵:自動評估器是否會被「90% 的人更喜歡回答 A」這樣的句子所左右?
6. 注意力：自動評估器是否被不相關(guān)的上下文信息干擾

評估結(jié)果如表4所示，可以看到，相比其他基線模型，F(xiàn)LAMe系列在大部分維度都表現(xiàn)出明顯較低的偏見，而且總體偏見值最低。

圖片

使用FLAMe對解碼輸出重新排序

最后，研究還探索了LLM自動評估器在從多個響應(yīng)中選擇最佳輸出方面的應(yīng)用，這種方法稱為「Best-of-N」采樣。

實驗中使用了OpenAI的3個代碼生成模型，并通過循環(huán)機制（round-robin）讓FLAMe分別對它們生成的10個代碼樣本進行重新排名，然后使用排名靠前的代碼示例，在HumanEval Python基準(zhǔn)中測試其性能。

結(jié)果表明，F(xiàn)LAMe在所有三個模型中都顯著提高了pass@1準(zhǔn)確率。

圖片

值得注意的是，F(xiàn)LAMe將CodeGen16B的pass@1準(zhǔn)確率從21.2提高到31.1，與Oracle排名器 (46.9) 的差距縮小了近40%。

結(jié)論與討論

FLAMe是一系列基礎(chǔ)自動評估器模型，可以執(zhí)行各種質(zhì)量評估任務(wù)。訓(xùn)練所用的數(shù)據(jù)不僅大規(guī)模而且多樣化， 僅來自許可數(shù)據(jù)集，包含標(biāo)準(zhǔn)化的人類評估意見且經(jīng)過精心設(shè)計。

研究展示了FLAMe強大的零樣本泛化能力，在許多懸而未決的任務(wù)中，其性能優(yōu)于使用GPT-4和Claude-3等專有數(shù)據(jù)訓(xùn)練的模型。

FLAMe還可以有效地作為進一步下游微調(diào)的強大起點。FLAMe-RM變體針對獎勵模型評估進行了微調(diào)，盡管僅在許可數(shù)據(jù)上進行訓(xùn)練，但仍是RewardBench上表現(xiàn)最好的生成模型之一，其性能優(yōu)于GPT-4-0125和GPT-4o。

此外，論文提出了一種計算效率更高的方法，使用新穎的尾部補丁微調(diào)策略來優(yōu)化目標(biāo)分布的多任務(wù)混合FLAMe模型，以顯著減少的計算量提供有競爭力的性能。

FLAMe變體在12個自動評估基準(zhǔn)中的8個優(yōu)于流行的專有LLM-as-aJudge模型，涵蓋53項質(zhì)量評估任務(wù)，包括RewardBench和LLM-AggreFact。

最后，分析表明，與CoBBLEr自動評分器偏差基準(zhǔn)上流行的LLM-as-a-Judge模型相比，F(xiàn)LAMe表現(xiàn)出明顯較低的偏見，同時能夠有效地識別代碼生成的高質(zhì)量響應(yīng)。

局限性和未來工作

由于評估標(biāo)準(zhǔn)不斷變化以及評估新的LLM功能的需要，評估LLM具有挑戰(zhàn)性，通過開源貢獻擴大我們的數(shù)據(jù)收集范圍可以解決這個問題。

此外，模型主要在上下文長度為2048個token的英語數(shù)據(jù)上進行訓(xùn)練，可能在多語言或長上下文上表現(xiàn)不佳。

在未來的版本中，作者計劃包括對更多具有更長上下文的多語言數(shù)據(jù)集的訓(xùn)練。

最后，這項工作一直以有監(jiān)督的多任務(wù)方式訓(xùn)練FLAMe模型。探索RLHF和DPO等其他訓(xùn)練方法是未來工作的一個有希望的方向。

道德考慮和道德風(fēng)險

針對預(yù)訓(xùn)練和指令微調(diào)的LLMs工作概述的所有注意事項和風(fēng)險也都適用于LLM自動評估器，研究也都遵循標(biāo)準(zhǔn)實踐來負責(zé)任地開發(fā)FLAMe模型。

此外，由于評估能力和評估質(zhì)量的增強，LLM自動評估器也帶來了新的風(fēng)險。

首先，模型可能會繼承并放大人類評估的偏見，導(dǎo)致不公平或歧視性的結(jié)果。

例如，該模型可能會復(fù)制訓(xùn)練數(shù)據(jù)中與種族、性別或其他敏感屬性相關(guān)的偏見，這可能會損害某些群體利益。

其次，過度依賴LLM自動評估器可能會導(dǎo)致需要人類理解和同理心的決策不經(jīng)思考而只根據(jù)LLM判定。

為了減輕這些風(fēng)險，模型開發(fā)和使用的透明度，以及偏見處理、數(shù)據(jù)匿名化和納入不同觀點等強有力的措施，對于促進公平、問責(zé)和可信度至關(guān)重要。

參考資料：https://x.com/tuvllms/status/1813249272474968315