Generative AI 新世界：文本生成领域论文解读

在上一篇《Generative AI 新世界：过去、现在和未来》中，我做为一名曾经多次穿越过市场周期的从业者，对 Generative AI 的发展历程、目前的热点方向、以及对未来的畅想做了一个梳理，希望可以帮助大家理清这个新周期的一些底层逻辑，例如知识底座、应用蓝图、以及发展方向和潜在机遇等方面的内容。

亚马逊云科技开发者社区为开发者们提供全球的开发技术资源。这里有技术文档、开发案例、技术专栏、培训视频、活动与竞赛等。帮助中国开发者对接世界最前沿技术，观点，和项目，并将中国优秀开发者或技术推荐给全球云社区。如果你还没有关注/收藏，看到这里请一定不要匆匆划过，点这里让它成为你的技术宝库！

就在我在准备这个专题系列的下一篇内容时，就在这个月，一个更酷炫的“学霸”型文本生成模型 GPT-4 正式发布了！根据 GPT-4 的官方技术报告，这个“学霸” 型文本生成模型已经可以以各种炫技高分通过各种标准化考试了。例如：

• GRE Verbal：接近满分
• 律师入学考试LSAT (Law School Admission Test)：进入前 10% 左右
• 律师执照考试UBE (Uniform Bar Exam)：进入前 10% 左右
• SAT Reading & Writing：进入前 7%
• SAT Math：进入前 10% 左右
• ……

Source:https://cdn.openai.com/papers/gpt-4.pdf?trk=cndc-detail

技术报告中还举例展现了 GPT-4 的具体解题分析过程，例如用户直接给一张考试题的照片，让 GPT-4 一步步思考作答。如下图所示：

GPT-4 模型看图之后，一板一眼地解答如下：

关于 GPT-4 更多细节，我们还会在本文的第四节中更详细地做出介绍。

文本生成

文本生成（Text Generation）领域的进步真可谓是日新月异。为了更好这个领域的这些激动人心的技术进步，让我们一起来深入探究下文本生成领域的主要几篇论文：InstructGPT，RLHF，PPO，GPT-3，以及GPT-4。

1 InstructGPT 论文概述

我们将以一个文本生成（Text Generation）的经典论文 （InstructGPT）来解读目前在该领域的 SoTA 模型结构设计和训练方法。

Paper Source: https://arxiv.org/pdf/2203.02155.pdf?trk=cndc-detail

我们先来看看 InstructGPT 论文的摘要。

这张图片显示了我通读这篇论文摘要时的一些评论和笔记。

我记录的主要纲要是：

1. 论文的总体想法（Fine-tune human feedback）
2. 他们是如何收集数据集的？（收集了问题和答案）
3. 他们如何微调数据集？（在 GPT-3 上有监督式学习）
4. 他们为什么称之为 “InstructGPT”？（在人工评估中...）
5. 结果（只有 GPT-3 的 1％ 模型参数但是 InstructGPT 的结果更好）

InstructGPT 的论文共有 68 页，我想重点介绍的亮点是：来自人类反馈的强化学习（简称为 RLHF）。

2020 年的论文 “Learning to summarize with human feedback”，可以认为是最早开始研究 RLHF 的论文之一，已经开始研究探讨 GPT-3 和 RLHF 的结合：

Source: https://arxiv.org/abs/2009.01325?trk=cndc-detail

1.1 RLHF 的训练过程

RLHF 的训练过程可以分解为三个核心步骤：

• 步骤一：预训练语言模型：采用有监督的策略微调
• 步骤二：收集数据并训练奖励模型
• 步骤三：通过强化学习微调 LM

首先，我们将了解这三个步骤分别需要的数据集来源、数据集大小等重要信息。为什么要先去分析这三个大步骤中的数据集来源呢？

西方有句著名的谚语：“The devil is in the details.” 翻译成中文就是：“魔鬼藏在细节里”。在人工智能领域里，优质的数据和数据来源，在同样的研究方法的作用下，结果可能相差很大，即：差一点，差很多。

因此，对于数据来源的研究，在我阅读论文中习惯里，是我最提前关注重视的部分之一。

• Paper Source: https://arxiv.org/pdf/2203.02155.pdf?trk=cndc-detail
• RLHF (Reinforcement Learning from Human Feedback）：https://huggingface.co/blog/rlhf?trk=cndc-detail

1.2 训练数据的来源

1/ SFT 数据集：

• 数据集大小：13K
• 这个数据集是由 [Prompt, Text] 对组成的样本。数据一部分来自使用 API 提交的用户数据，另一部分来自专门的标注人员（Labeler）。

2/ RM 数据集：

• 数据集大小：33K
• 先让模型生成一批候选文本，然后通过标注人员（Labeler）根据生成数据的质量对这些生成内容进行排序打分作为 RM 模型的标注。

3/ PPO 数据集：

• 数据集大小：31K
• PPO 数据没有进行人工标注，它均来自用户通过 API 提交的数据。这里有不同用户提供的不同种类的任务，其中占比最高的包括生成任务（45.6%），问答（12.4%），头脑风暴（11.2%），对话（8.4%）等等。

1.3 训练阶段一：预训练语言模型上的策略微调

数据来源：

用于训练奖励模型的 Prompt 数据一般来自于一个预先的数据集，比如某个 LLM 模型的 Prompt 数据则主要来自那些调用 GPT API 的用户。这些 prompts 会被丢进初始的语言模型（步骤一的模型）里来生成文本。

训练方法：

如图所示。首先，我们需要选一个经典的预训练语言模型作为初始模型。OpenAI 在其第一个RLHF 模型 InstructGPT 中用的小规模参数版本的 GPT-3。这些语言模型往往见过大量的 [Prompt, Text] 对，输入一个 prompt（提示），模型往往能输出还不错的一段文本。

Source: https://arxiv.org/pdf/2203.02155.pdf?trk=cndc-detail

预训练模型也可以在人工精心撰写的语料上进行微调，但这一步不是必要的。例如，OpenAI 在人工撰写的优质语料上对预训练模型进行了微调。不过，这种人工撰写的优质语料一般成本是非常高的。

人工微调的大致操作是：在数据集中随机抽取问题，由专门的标注人员给出高质量答案，然后用这些人工标注好的数据来微调模型。标注人员根据提示 (prompt) 编写质量可靠的输出响应 (demonstrations)。这里采用的是 Supervised Fine-Tuning（SFT）模型，即有监督的策略来进行微调。微调之后，模型在遵循指令/对话方面得到优化，但不一定符合人类偏好。

Source: https://huggingface.co/blog/rlhf?trk=cndc-detail

第一步完成之后，我们需要基于这个初始语言模型产出的数据来训练一个奖励模型（reward model，简称 RM）。接下来，就会引入人类的反馈信号了。

1.4 训练阶段二：训练奖励模型（Reward Model）

训练一个奖励模型（RM）的目标是让模型的输出在人类看来表现不错。即，输入是一个 prompt（模型生成的文本），输出是一个代表文本质量的标量数字。

Source: https://arxiv.org/pdf/2203.02155.pdf?trk=cndc-detail

数据来源：

用于训练奖励模型的 Prompt 数据一般来自于一个预先的数据集，OpenAI 的 Prompt 数据则主要来自那些调用 GPT API 的用户。这些 prompts 会被丢进初始的语言模型（步骤一的模型）里来生成文本。

训练方法：

如下图所示，标注人员的任务则是对初始语言模型生成的文本进行排序。说到这里有人可能会问：为啥不直接让标注人员对文本进行打分呢？

Source: https://huggingface.co/blog/rlhf?trk=cndc-detail

这是因为研究人员发现不同的标注员，由于其教育背景、生活阅历和家庭环境等的不同，打分的偏好会有很大的差异，而这种差异就会导致出现大量的噪声样本。若改成标注排序，则发现不同的标注员的打分一致性就大大提升了。

接下来，再使用这个排序结果来训练奖励模型。对于多个排序结果，两两组合，形成多个训练数据对。奖励模型（Reward Model）接受输入后，给出评价回答质量的分数。对于一对训练数据，通过调节参数使得高质量回答的打分比低质量的打分要高。奖励模型学会了为评分高的响应计算更高的奖励，为评分低的回答计算更低的奖励。

1.5 训练阶段三：通过强化学习微调大模型

这一阶段整体采用强化学习（Reinforcement Learning）方式，使用在阶段二里训练好的奖励模型（Reward Model）做为该强化学习的奖励模型，通过 PPO 算法优化模型策略。PPO（Proximal Policy Optimization，近端策略优化）是一种用于在强化学习中训练 agent 的策略，这里被用来再次微调在阶段一中提及的有监督微调（SFT）大模型。

Source: https://arxiv.org/pdf/2203.02155.pdf?trk=cndc-detail

这一阶段利用第二阶段训练好的奖励模型，靠奖励模型打分来更新预训练模型参数。在数据集中随机抽取问题后，使用 PPO 模型生成回答，并用上一阶段训练好的 RM 模型计算奖励，给出质量分数，然后用这个奖励来继续更新 PPO 模型。奖励依次传递，由此产生策略梯度，通过强化学习的方式更新 PPO 模型参数。但这次和阶段二不同的地方是：这次不再让人类来打分排序，而是让阶段二训练好的奖励模型去给模型的预测结果进行打分排序。

Source: https://huggingface.co/blog/rlhf?trk=cndc-detail

就这样，使用一个初始的语言模型来生成文本，以及使用一个奖励模型来判断模型生成的文本是否优质（迎合人类偏好）。如此不断重复第二和第三阶段，通过迭代会训练出更高质量的 InstructGPT 模型。我们将来自于人类反馈的强化学习简称为 RLHF（reinforcement learning from human feedback），即使用人类的偏好作为奖励信号来微调模型。

就这样，使用一个初始的语言模型来生成文本，以及使用一个奖励模型来判断模型生成的文本是否优质（迎合人类偏好），然后不断生成、评估、优化，如此循环进行。简单来说，就是机器代替人类做排序的工作。这是一个非常重要的进步。

2 PPO 论文概述

Proximal Policy Optimization（PPO）是 Actor-Critic 的升级版，利用 KL 距离（经过一系列近似化简的形式描述，实际本质上是概率分布的差异）来动态衡量学习率是否过大。

PPO paper: https://arxiv.org/pdf/1707.06347.pdf?trk=cndc-detail

在前一章节中，我们提到了 InstructGPT 在 RLHF 训练的阶段三，是通过 PPO 算法进一步优化策略模型的。InstructGPT 在论文中，有更详细地描述他们是如何使用 PPO 算法的描述，如下图所示：

Source - InstructGPT paper: https://arxiv.org/pdf/2203.02155.pdf?trk=cndc-detail

一句话概括，PPO 算法提出的一种解决 Policy Gradient 不好确定动作幅度的问题。因为如果动作幅度过大，机器人会反复横跳，不易收敛；但如果动作幅度太小， 想要完成训练，那就得等到天荒地老。PPO 利用 New Policy 和 Old Policy 的 KL 距离，限制了 New Policy 的更新幅度，如果 KL 距离过小，就让 KL 正则项的权重减小，让机器放开膀子大胆干；如果 KL 距离过大，就让 KL 正则项权重增大，让机器收紧步伐悠着点。

举一个爬山的例子来类比。我们人类爬山的时候，在选择下一步时，在较安全的接近平地的区域，我们会放心大胆地步子迈大一些；而在一些比较陡峭有风险的区域时，我们会尽量悠着点。PPO 算法我个人理解就是应用了人类的这种思维。

因为 Generative AI 的这波浪潮，我们预计强化学习（Reinforcement Learning）领域也会引发一波学习浪潮。如果您想在实践中更好地认知强化学习理论，包括 PPO 算法的一些实践细节，您可以使用亚马逊云科技的 DeepRacer 服务。如下图所示：

亚马逊云科技 DeepRacer 简介：https://aws.amazon.com/cn/deepracer/?trk=cndc-detail

在亚马逊云科技的 DeepRacer 服务中，缺省的训练算法就是 PPO。如下图所示：

3 GPT-3 论文概述

如果您对 GPT-3 非常感兴趣，您还可以参考 GPT-3 的主要论文。不过需要提醒您的是，关于 GPT-3 的模型有不少，其参数从 1B 到 175B 不等。因此其 GPT-3 相关的论文最主要的也有五篇，如图所示：

Papers of GPT-3: https://platform.openai.com/docs/model-index-for-researchers?...

另外，如果您是一位刚开始学习机器学习不久的新人，如果一开始就阅读 GPT-3 的论文的话，会非常吃力。GPT 的很多架构细节是在 GPT-1、GPT-2 中讨论的。所以我建议您的学习路线会是：Transformer -> GPT -> GPT-2 -> GPT-3。

以下对基于 GPT-3 模型的发展路线，做一个大致的梳理。总体而言分为以下两个发展路线：

• 代码/推理方向（例如：Codex）
• 理解人类偏好方向（例如：InstructGPT）

3.1 代码/推理方向：GPT-3 + 代码训练

代码/推理方向的发展时间线如下：

1. 2020 年 5-6 月，GPT-3 论文 “Language Models are Few-Shot Learners”；
2. GPT-3 的最大规模的版本，1750 亿参数的 API Davinci，此时的 GPT-3 还只能写一些简单的代码和做一些简单的数学题；
3. 2021 年 7 月，Codex 论文 “Evaluating Large Language Models Trained on Code”，其中初始的 Codex 是根据 120亿 参数的 GPT-3 变体进行微调的，且通过对 159GB 的 Python 代码进行代码训练，它开始具备较强的代码/推理能力。

该方向的主要论文有：Codex 等。

3.2 理解人类偏好方向：GPT-3 + 指令学习 + RLHF

理解人类偏好方向的发展时间线如下：

1. 2020 年论文 “Learning to summarize with human feedback”，开始研究 GPT-3 和 RLHF 的结合；
2. 2022 年 3 月，遵循人类指令学习的论文 “Training language models to follow instructions with human feedback” 发布，即是前面我们介绍的 InstructGPT 论文；

该方向的主要论文有：InstructGPT 等。

4 GPT-4 论文概述

2023 年 3 月 GPT-4 也正式以 Model as a Service 的方式在对外提供服务。以下根据其提供的一些技术报告，以及其它第三方的资料，对 GPT-4 模型做概述如下。

Source:https://cdn.openai.com/papers/gpt-4.pdf?trk=cndc-detail

GPT-4 是一个大型多模态模型（输入图像和文本，输出文本输出）。其中 GPT 是生成式预训练模型的缩写。大型多模态模型可以广泛用于对话系统、文本摘要和机器翻译。

GPT-4 实际上是在 2022 年 8 月完成训练的，直到 2023 年 3 月 14 日才发布。在发布之前，一直在对该模型进行对抗性测试和改进。GPT-4 的内容窗口能支持多达 32,000 个 token（相当于 24000 单次或 48 页文本），如下图所示：

Source: https://lifearchitect.ai/gpt-4/?trk=cndc-detail

比较有趣的是 GPT-4 已经能看懂一些图梗了，不仅仅只是擅长做对话机器人。以下图为例，输入一张由三张图片拼成的图，用户问：“这张图有什么奇怪的地方？请一张图一张图地描述”。

GPT-4 会分别描述每张图中呈现的景象内容，并指出图中把一个大而过时的 VGA 接口插入一个小巧的现代智能手机充电端口是件幽默滑稽的事情。

Source:https://cdn.openai.com/papers/gpt-4.pdf?trk=cndc-detail

以及在各类考试领域已经展现出“学霸”或者“考试小王子”的潜力：

• SAT: 1410/1600 (94th percentile, top 6%).
• Uniform Bar Exam (MBE+MEE+MPT): 298/400 (90th percentile, top 10%).
• AP: Advanced Placement high school exams in biology, calculus, macroeconomics, psychology, statistics and history: 100% (5/5).
• MMLU: 86.4% (previous SOTA=75.5% for Flan-PaLM).

Source: https://lifearchitect.ai/gpt-4/?trk=cndc-detail

GPT-4 甚至可以能够读懂一些来自人类的幽默漫画深层次的内涵，这一点确实让我感到有些意外和惊喜。以下示例是让 GPT-4 解释这张漫画。GPT-4 认为它讽刺了统计学习和神经网络在提高模型性能方面的差异。

Source: https://cdn.openai.com/papers/gpt-4.pdf?trk=cndc-detail

更多关于 GPT-4，以及其它文字生成领域 State-of-the-art 的论文解读，我们也会紧密跟进这个领域的新变化和新进展，未来和大家一起探讨解读。

在下一篇内容中，我们还将通过三个关于大语言模型（LLMs）部署、编译优化、分布式训练等方面的动手实践案例，详细讨论亚马逊云科技在为支持这些大语言模型（LLMs）的编译优化、分布式训练等方面的进展和贡献，敬请期待。

请持续关注 Build On Cloud 微信公众号，了解更多面向开发者的技术分享和云开发动态！

往期推荐

开发者生态

架构模型最佳实践

亚马逊的开源文化

作者黄浩文
亚马逊云科技资深开发者布道师，专注于 AI/ML、Data Science 等。拥有 20 多年电信、移动互联网以及云计算等行业架构设计、技术及创业管理等丰富经验，曾就职于 Microsoft、Sun Microsystems、中国电信等企业，专注为游戏、电商、媒体和广告等企业客户提供 AI/ML、数据分析和企业数字化转型等解决方案咨询服务。

文章来源：https://dev.amazoncloud.cn/column/article/641c329888a71363110...