AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：[email protected]；[email protected]
Richard Sutton 在 「The Bitter Lesson」中做过这样的评价：「从70年的人工智能研究中可以得出的最重要教训是，那些利用计算的通用办法最终是最有效的，而且优势巨大。」
自我博弈（self play）就是这样一种同时利用搜索和学习从而充分利用和扩大计算规模的办法。
今年年初，加利福尼亚大学洛杉矶分校（UCLA）的顾全全教授团队提出了一种自我博弈微调办法 (Self-Play Fine-Tuning, SPIN)，可不使用额外微调数据，仅靠自我博弈就能大幅提升 LLM 的能力。
最近，顾全全教授团队和卡内基梅隆大学（CMU）Yiming Yang教授团队合作开发了一种名为「自我博弈偏好优化（Self-Play Preference Optimization, SPPO）」的对齐技术，这一新办法旨在通过自我博弈的框架来优化大说话模型的行为，使其更好地符合人类的偏好。左右互搏再显神通！
论文标题：Self-Play Preference Optimization for Language Model Alignment
论文链接：https://arxiv.org/pdf/2405.00675.pdf
技术背景与挑战
大说话模型（LLM）正成为人工智能领域的重要推动力，凭借其出色的文本生成和理解能力在种任务中表现卓越。尽管LLM的能力令人瞩目，但要使这些模型的输出行为更符合实际应用中的需求，通常需要通过对齐（alignment）过程进行微调。
这个过程关键在于调整模型以更好地反映人类的偏好和行为准则。常见的办法包括基于人类反馈的强化学习（RLHF）或者直接偏好优化（Direct Preference Optimization,DPO）。
基于人类反馈的强化学习（RLHF）依赖于显式的维护一个赞美模型用来调整和细化大说话模型。换言之，例如，InstructGPT就是基于人类偏好数据先训练一个服从Bradley-Terry模型的赞美函数，然后使用像相似方略优化（Proximal Policy Optimization,PPO）的强化学习算法去优化大说话模型。去年，研究者们提出了直接偏好优化（Direct Preference Optimization,DPO）。
不同于RLHF维护一个显式的赞美模型，DPO算法隐含的服从Bradley-Terry模型，但可以直接用于大说话模型优化。已有工作试图通过多次迭代的使用DPO来进一步微调大模型 (图1)。
图1.基于Bradley-Terry模型的迭代优化办法缺乏理论理解和保证
如Bradley-Terry这样的参数模型会为每个选择提供一个数值分数。这些模型虽然提供了合理的人类偏好相似，但未能完全捕获人类行为的复杂性。
这些模型往往假设不同选择之间的偏好关系是单调和传递的，而实证证据却常常显示出人类决策的非一致性和非线性，例如Tversky的研究观察到人类决策可能会受到多种因素的影响，并表现出不一致性。
SPPO的理论基础与办法
图2.假想的两个说话模型进行常和博弈。
在这些背景下，作者提出了一个新的自我博弈框架 SPPO，该框架不仅具有解决两玩家常和博弈（two-player constant-sum game）的可证明保证，而且可以扩展到大规模的高效微调大型说话模型。
具体来说，文章将RLHF问题严格定义为一个两玩家常和博弈 （图2）。该工作的目标是识别纳什均衡方略，这种方略在平均意义上始终能提供比其他任何方略更受偏好的复兴。
为了相似地识别纳什均衡方略，作者采用了具有乘法权重的经典在线自适应算法作为解决两玩家博弈的高层框架算法。
在该框架的每一步内，算法可以通过自我博弈机制来相似乘法权重更新，其中在每一轮中，大说话模型都在针对上一轮的自身进行微调，通过模型生成的合成数据和偏好模型的注释来进行优化。
具体来说，大说话模型在每一轮回会针对每个提示生成若干复兴；依据偏好模型的标注，算法可以估计出每个复兴的胜率；算法从而可以进一步微调大说话模型的参数使得那些胜率高的复兴拥有更高的出现概率（图3）。
图3.自我博弈算法的目标是微调自身从而胜过上一轮的说话模型
实验设计与成果
在实验中，研究团队采用了一种Mistral-7B作为基线模型，并使用了UltraFeedback数据集的60,000个提示(prompt)进行无监督训练。他们发现，通过自我博弈的方式，模型能够明显提高在多个评估平台上的表现，例如AlpacaEval 2.0和MT-Bench。这些平台广泛用于评估模型生成文本的质量和相关性。
通过SPPO办法，模型不仅在生成文本的流畅性和准确性上得到了改进，更重要的是：「它在符合人类价值和偏好方面表现得更加出色」。
图4.SPPO模型在AlpacaEval 2.0上的效果提升明显，且高于如 Iterative DPO 的其他基准办法。
在AlpacaEval 2.0的测试中（图4），经过SPPO优化的模型在长度控制胜率方面从基线模型的17.11%提升到了28.53%，显示了其对人类偏好理解的明显提高。经过三轮SPPO优化的模型在AlpacaEval2.0上明显优于多轮迭代的DPO, IPO和自我赞美的说话模型（Self-Rewarding LM）。
此外，该模型在MT-Bench上的表现也超过了传统通过人类反馈调优的模型。这证明了SPPO在自动调整模型行为以适应复杂任务方面的有效性。
结论与未来展望
自我博弈偏好优化（SPPO）为大说话模型提供了一个全新的优化路径，不仅提高了模型的生成质量，更重要的是提高了模型与人类偏好的对齐度。
随着技术的不断发展和优化，预计SPPO及其衍生技术将在人工智能的可持续发展和社会应用中发挥更大的作用，为构建更加智能和负责任的AI系统铺平道路。