La « flatterie » est courante dans les modèles RLHF, et personne n'est à l'abri de Claude contre le GPT-4

Que vous soyez dans le cercle de l'IA ou dans d'autres domaines, vous avez plus ou moins utilisé les grands modèles de langage (LLM). Alors que tout le monde vante les différents changements apportés par le LLM, certaines lacunes des grands modèles apparaissent progressivement. dehors.

Par exemple, il y a quelque temps, Google DeepMind a découvert que LLM présente généralement un comportement humain « flagorneur », c'est-à-dire que parfois les points de vue de l'utilisateur humain sont objectivement incorrects et que le modèle ajustera sa réponse pour suivre les points de vue de l'utilisateur. Comme le montre la figure ci-dessous, l'utilisateur indique au modèle 1+1=956446, et le modèle suit les instructions humaines et pense que cette réponse est correcte.

Source de l'image https://arxiv.org/abs/2308.03958

En fait, ce phénomène se produit couramment dans de nombreux modèles d'IA. Quelle en est la raison ? Les chercheurs de la startup d'IA Anthropic ont analysé ce phénomène. Ils pensent que la « flatterie » est un comportement courant des modèles RLHF, en partie dû à la préférence humaine pour les réponses « flatteuses ».

Adresse papier : https://arxiv.org/pdf/2310.13548.pdf

Jetons ensuite un coup d'œil au processus de recherche spécifique.

Les assistants IA tels que GPT-4 sont formés pour produire des réponses plus précises, et la grande majorité d'entre eux utilisent RLHF. Le réglage fin d'un modèle de langage à l'aide de RLHF améliore la qualité de la sortie du modèle, qui est évaluée par des humains. Cependant, certaines recherches estiment que les méthodes de formation basées sur les jugements de préférences humaines ne sont pas souhaitables. Même si le modèle peut produire des résultats attrayants pour les évaluateurs humains, il est en réalité imparfait ou incorrect. Dans le même temps, des travaux récents ont également montré que les modèles formés sur RLHF ont tendance à fournir des réponses cohérentes avec les utilisateurs.

Afin de mieux comprendre ce phénomène, cette étude a d'abord exploré si les assistants IA dotés de performances SOTA fourniraient des réponses modèles de « flatterie » dans divers environnements du monde réel. Il a été constaté que 5 IA SOTA formées avec RLHF Les assistants ont montré un. modèle cohérent de « flatterie » dans les tâches de génération de texte de forme libre. Puisque la flatterie semble être un comportement courant chez les modèles formés au RLHF, cet article explore également le rôle des préférences humaines dans ce type de comportement.

Cet article explore également si la « flatterie » présente dans les données de préférences conduira à la « flatterie » dans le modèle RLHF, et constate qu'une optimisation accrue augmentera certaines formes de « flatterie » mais réduira d'autres formes « plus plates ».

Le degré et l'impact de la « flatterie » des grands modèles

Afin d'évaluer le degré de « flatterie » des grands modèles et d'analyser l'impact sur la génération de réalité, cette étude a analysé le « flatteur » des grands modèles publié par Anthropic, OpenAI et Meta. Les niveaux de flatterie ont été comparés.

Plus précisément, l'étude propose le référentiel d'évaluation SycophancyEval. SycophancyEval étend le référentiel d'évaluation de « flatterie » des grands modèles existant. En termes de modèles, cette étude a spécifiquement testé 5 modèles, dont : claude-1.3 (Anthropic, 2023), claude-2.0 (Anthropic, 2023), GPT-3.5-turbo (OpenAI, 2022), GPT-4 (OpenAI, 2023). ), lama-2-70b-chat (Touvron et al., 2023).

Préférences flatteuses des utilisateurs

Lorsque les utilisateurs demandent à de grands modèles de fournir des commentaires de forme libre sur un morceau de texte de débat, en théorie, la qualité de l'argument dépend uniquement du contenu de l'argument, mais le L'étude a révélé que le grand modèle fournira des commentaires plus positifs pour les arguments que l'utilisateur aime et des commentaires plus négatifs pour les arguments que l'utilisateur n'aime pas.

Comme le montre la figure 1 ci-dessous, les commentaires du grand modèle sur les paragraphes de texte dépendent non seulement du contenu du texte, mais sont également affectés par les préférences de l'utilisateur.

Il est facile de se laisser influencer

L'étude a révélé que même lorsque les grands modèles fournissent des réponses précises et déclarent avoir confiance dans ces réponses, ils modifient souvent leurs réponses lorsqu'ils sont interrogés par les utilisateurs, fournissant ainsi des erreurs. information. Par conséquent, la « flatterie » peut nuire à la crédibilité et à la fiabilité des réponses des grands modèles.

Fournir des réponses conformes aux croyances des utilisateurs

L'étude a révélé que pour les tâches de questions et réponses ouvertes, les grands modèles ont tendance à fournir des réponses conformes aux croyances des utilisateurs. Par exemple, dans la figure 3 ci-dessous, ce comportement de « flatterie » a réduit la précision de LLaMA 2 jusqu'à 27 %.

imitation des erreurs des utilisateurs

Pour tester si les grands modèles répètent les erreurs des utilisateurs, l'étude a exploré si les grands modèles donnaient incorrectement l'auteur d'un poème. Comme le montre la figure 4 ci-dessous, même si le grand modèle peut répondre au bon auteur du poème, il répondra de manière incorrecte car l'utilisateur donne des informations erronées.

Comprendre la flatterie dans les modèles linguistiques

L'étude a révélé que plusieurs grands modèles ont montré un comportement de « flatterie » cohérent dans différents environnements du monde réel, on suppose donc que cela peut être dû au réglage fin du RLHF . Par conséquent, cette étude analyse les données de préférences humaines utilisées pour former un modèle de préférence (PM).

Comme le montre la figure 5 ci-dessous, cette étude a analysé les données sur les préférences humaines et exploré les fonctionnalités qui peuvent prédire les préférences des utilisateurs.

Les résultats expérimentaux montrent que, toutes choses étant égales par ailleurs, un comportement de « flatterie » dans une réponse modèle augmente la probabilité que les humains préféreront cette réponse. L'influence du modèle de préférence (PM) utilisé pour entraîner le grand modèle sur le comportement de « flatterie » du grand modèle est complexe, comme le montre la figure 6 ci-dessous.

Enfin, les chercheurs ont exploré à quelle fréquence les humains et les modèles PM (MODÈLES DE PRÉFÉRENCE) ont tendance à répondre honnêtement ? Il a été constaté que les humains et les modèles PM préféraient les réponses flatteuses aux réponses correctes.

Résultats PM : Dans 95 % des cas, les réponses flatteuses ont été préférées aux vraies réponses (Figure 7a). L'étude a également révélé que les PM préféraient les réponses flatteuses près de la moitié du temps (45 %).

Résultats du feedback humain : bien que les humains aient tendance à répondre de manière plus honnête que flatteuse, leur probabilité de choisir une réponse fiable diminue à mesure que la difficulté (idée fausse) augmente (Figure 7b). Bien que le regroupement des préférences de plusieurs personnes puisse améliorer la qualité du feedback, ces résultats suggèrent qu’il peut être difficile d’éliminer complètement la flatterie en utilisant simplement le feedback humain non expert.

La figure 7c montre que bien que l'optimisation pour Claude 14h réduit la flatterie, l'effet n'est pas significatif.

Pour plus d'informations, veuillez consulter l'article original.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!