用AI評(píng)估AI，上交大新款大模型部分任務(wù)超越GPT-4，模型數(shù)據(jù)都開(kāi)源

　　本文來(lái)自于微信公眾號(hào) 量子位 (ID：QbitAI)，作者：Pengfei Liu。

　　評(píng)估大模型對(duì)齊表現(xiàn)最高效的方式是?

　　在生成式AI趨勢(shì)里，讓大模型回答和人類(lèi)價(jià)值(意圖)一致非常重要，也就是業(yè)內(nèi)常說(shuō)的對(duì)齊(Alignment)。

　　“讓大模型自己上。”

　　這是上海交通大學(xué)生成式人工智能研究組(GAIR)提出的最新思路。

　　但是目前的評(píng)估方法還存在透明度不夠、準(zhǔn)確性不佳等問(wèn)題。

　　所以研究人員開(kāi)源了一個(gè)130億參數(shù)規(guī)模的大模型Auto-J，能對(duì)評(píng)估當(dāng)下大模型的對(duì)齊效果。

　　它可同時(shí)分析兩個(gè)大模型的回答，分別做出評(píng)價(jià)并進(jìn)行對(duì)比。

　　也能評(píng)估單個(gè)回復(fù)。并且在這一任務(wù)上的表現(xiàn)超越了GPT-4。

　　目前，該項(xiàng)目開(kāi)源了大量資源，包括:

　　Auto-J的130億參數(shù)模型(使用方法、訓(xùn)練和測(cè)試數(shù)據(jù)也已經(jīng)在GitHub上給出);

　　所涉及問(wèn)詢場(chǎng)景的定義文件;

　　每個(gè)場(chǎng)景手工構(gòu)建的參考評(píng)估準(zhǔn)則;

　　能夠自動(dòng)識(shí)別用戶問(wèn)詢所屬場(chǎng)景的分類(lèi)器等。

　　用大模型指導(dǎo)大模型回答

　　在實(shí)際任務(wù)中，Auto-J不僅可以在兩個(gè)不同模型的回復(fù)中，指明更優(yōu)秀的回答，而且會(huì)從多個(gè)具體維度給出判斷和分析。

　　同時(shí)對(duì)于它認(rèn)為不夠好的回復(fù)，能提出改進(jìn)建議。

　　注:本節(jié)提供的示例已由原始英文文本翻譯為中文

　　具體來(lái)看Auto-J在成對(duì)回復(fù)比較和單回復(fù)評(píng)估任務(wù)的效果。

　　成對(duì)回復(fù)比較部分給出的問(wèn)題是:

　　起草一份給我家人的郵件，告訴他們我已經(jīng)買(mǎi)好了感恩節(jié)的機(jī)票。我會(huì)在11月22日出發(fā)，30日離開(kāi)。

　　實(shí)驗(yàn)對(duì)比了GPT4ALL-13B-snoozy和Claude-1的回復(fù)。

　　Auto-J給出的判斷是Claude-1的回復(fù)更好，原因是信息更豐富、吸引人、個(gè)性化。

　　同時(shí)它也給出了具體的分析過(guò)程，從目的、語(yǔ)氣、正文內(nèi)容、個(gè)性化、信息豐富度幾個(gè)方面評(píng)估，并講明了各個(gè)方面兩個(gè)大模型的優(yōu)劣。

　　單回復(fù)評(píng)估任務(wù)的提問(wèn)是:

　　在烤架上烤三文魚(yú)最好的方法是什么?

　　待評(píng)估的回復(fù)是:

　　在烤架上烹制三文魚(yú)的最好辦法是首先將烤架預(yù)熱至中高溫，刷上橄欖油，撒上鹽和胡椒，然后把三文魚(yú)皮朝下放在烤架上。讓三文魚(yú)烤5-7分鐘，直到皮酥脆，用叉子輕松刺入魚(yú)肉。翻轉(zhuǎn)三文魚(yú)，再烤3-4分鐘，配上你喜歡的配菜，享受美味。

　　對(duì)于這段回答，Auto-J給出的評(píng)價(jià)是“答得害行但是在幾個(gè)方面缺乏深度和詳細(xì)信息”。

　　比如沒(méi)有提到具體的烹飪溫度或時(shí)間，沒(méi)有提到三文魚(yú)的品質(zhì)。

　　而且還給出了具體建議能讓回復(fù)更加有個(gè)性化:通過(guò)詢問(wèn)用戶有關(guān)具體烤肉設(shè)備或烹飪?nèi)�文魚(yú)的經(jīng)驗(yàn)。

　　支持50+場(chǎng)景

　　在性能表現(xiàn)上，Auto-J在以下兩方面都表現(xiàn)不錯(cuò)。

　　功能使用方面

　　支持50+種不同的真實(shí)場(chǎng)景的用戶問(wèn)詢(query)(如常見(jiàn)的廣告創(chuàng)作，起草郵件，作文潤(rùn)色，代碼生成等)能夠評(píng)估各類(lèi)大模型在廣泛場(chǎng)景下的對(duì)齊表現(xiàn);

　　它能夠無(wú)縫切換兩種最常見(jiàn)的評(píng)估范式——成對(duì)回復(fù)比較和單回復(fù)評(píng)估;并且可以“一器多用”，既可以做對(duì)齊評(píng)估也可以做“獎(jiǎng)勵(lì)函數(shù)”(Reward Model)對(duì)模型性能進(jìn)一步優(yōu)化;

　　同時(shí)，它也能夠輸出詳細(xì)，結(jié)構(gòu)化且易讀的自然語(yǔ)言評(píng)論來(lái)支持其評(píng)估結(jié)果，使其更具可解釋性與可靠性，并且便于開(kāi)發(fā)者參與評(píng)估過(guò)程，迅速發(fā)現(xiàn)價(jià)值對(duì)齊過(guò)程中存在的問(wèn)題

　　性能開(kāi)銷(xiāo)方面

　　在性能和效率上，Auto-J 的評(píng)估效果僅次于GPT-4而顯著優(yōu)于包括ChatGPT在內(nèi)的眾多開(kāi)源或閉源模型，并且在高效的vllm推理框架下能每分鐘評(píng)估超過(guò)100個(gè)樣本。

　　在開(kāi)銷(xiāo)上，由于其僅包含130億參數(shù)，Auto-J能直接在32G的V100上進(jìn)行推理，而經(jīng)過(guò)量化壓縮更是將能在如3090這樣的消費(fèi)級(jí)顯卡上部署使用，從而極大降低了LLM的評(píng)估成本 (目前主流的解決方法是利用閉源大模型(如GPT-4)進(jìn)行評(píng)估，但這種通過(guò)調(diào)用API的評(píng)估方式則需要消耗大量的時(shí)間和金錢(qián)成本。)

　　具體方法

　　為了更廣泛的支持不同的評(píng)估場(chǎng)景，Auto-J 定義了58種不同的場(chǎng)景，分屬于8大類(lèi)(摘要，重寫(xiě)，代碼，創(chuàng)作，考題，一般交流，功能性寫(xiě)作以及其他NLP任務(wù))。

　　對(duì)于每個(gè)場(chǎng)景，研究者手動(dòng)編寫(xiě)了一套用作參考的評(píng)估標(biāo)準(zhǔn)(criteria)，覆蓋了這類(lèi)場(chǎng)景下常見(jiàn)的評(píng)估角度，其中每條標(biāo)準(zhǔn)包含了名稱和文本描述。

　　評(píng)估標(biāo)準(zhǔn)的構(gòu)建遵循一個(gè)兩層的樹(shù)狀結(jié)構(gòu):先定義了若干組通用基礎(chǔ)標(biāo)準(zhǔn)(如文本與代碼的一般標(biāo)準(zhǔn))，而每個(gè)場(chǎng)景的具體標(biāo)準(zhǔn)則繼承了一個(gè)或多個(gè)基礎(chǔ)標(biāo)準(zhǔn)，并額外添加了更多的定制化標(biāo)準(zhǔn)。

　　以上圖的“規(guī)劃”(planning)場(chǎng)景為例，針對(duì)這一場(chǎng)景的標(biāo)準(zhǔn)包括了該場(chǎng)景特定的內(nèi)容與格式標(biāo)準(zhǔn)，以及繼承而來(lái)的基礎(chǔ)標(biāo)準(zhǔn)。

　　收集來(lái)自多種場(chǎng)景的用戶問(wèn)詢和不同模型的回復(fù):

　　Auto-J被定位成能夠在定義的多種廣泛場(chǎng)景上均表現(xiàn)良好，因此一個(gè)重要的部分就是收集不同場(chǎng)景下相應(yīng)的數(shù)據(jù)。為此，研究者手動(dòng)標(biāo)注了一定量用戶問(wèn)詢的場(chǎng)景類(lèi)別，并以此訓(xùn)練了一個(gè)分類(lèi)器用以識(shí)別任意問(wèn)詢的所屬場(chǎng)景。

　　在該分類(lèi)器的幫助下，成功從包含了大量真實(shí)用戶問(wèn)詢和不同的模型回復(fù)的若干數(shù)據(jù)集中(如Chatbot Arena Conversations數(shù)據(jù)集)通過(guò)降采樣的方式篩選出了類(lèi)別更加均衡的3436個(gè)成對(duì)樣本和960個(gè)單回復(fù)樣本作為訓(xùn)練數(shù)據(jù)的輸入部分，其中成對(duì)樣本包含了一個(gè)問(wèn)詢，兩個(gè)不同的針對(duì)該問(wèn)詢的回復(fù)，以及人類(lèi)標(biāo)注的偏好標(biāo)簽(哪個(gè)回復(fù)更好或平局);而單回復(fù)樣本則只包含了一個(gè)問(wèn)詢和一個(gè)回復(fù)。

　　收集高質(zhì)量的評(píng)判(judgment):

　　除了問(wèn)詢和回復(fù)，更重要是收集作為訓(xùn)練數(shù)據(jù)輸出部分的高質(zhì)量評(píng)估文本，即“評(píng)判”(judgment)。

　　研究者定義一條完整的評(píng)判包含了中間的推理過(guò)程和最后的評(píng)估結(jié)果。對(duì)于成對(duì)回復(fù)比較而言，其中間推理過(guò)程為識(shí)別并對(duì)比兩條回復(fù)之間的關(guān)鍵不同之處，評(píng)估結(jié)果是選出兩條回復(fù)中更好的一個(gè)(或平局);而對(duì)于單回復(fù)樣本，其中間推理過(guò)程是針對(duì)其不足之處的評(píng)論(critique)，評(píng)估結(jié)果則是一個(gè)1-10的總體打分。

　　在具體操作上，選擇調(diào)用GPT-4來(lái)生成需要的評(píng)判。

　　對(duì)于每個(gè)樣本，都會(huì)將其對(duì)應(yīng)場(chǎng)景的評(píng)估標(biāo)準(zhǔn)傳入GPT-4中作為生成評(píng)判時(shí)的參考;此外，這里還觀察到在部分樣本上場(chǎng)景評(píng)估標(biāo)準(zhǔn)的加入會(huì)限制GPT-4發(fā)現(xiàn)回復(fù)中特殊的不足之處，因此研究者還額外要求其在給定的評(píng)估標(biāo)準(zhǔn)之外盡可能地發(fā)掘其他的關(guān)鍵因素。

　　最終，會(huì)將來(lái)自上述兩方面的輸出進(jìn)行融合與重新排版，得到更加全面、具體且易讀的評(píng)判，作為訓(xùn)練數(shù)據(jù)的輸出部分，其中對(duì)于成對(duì)回復(fù)比較數(shù)據(jù)，進(jìn)一步根據(jù)已有的人類(lèi)偏好標(biāo)注進(jìn)行了篩選。

　　訓(xùn)練:

　　研究者將來(lái)自兩種評(píng)估范式的數(shù)據(jù)合并使用以訓(xùn)練模型，這使得Auto-J僅通過(guò)設(shè)置相應(yīng)的提示詞模板即可無(wú)縫切換不同的評(píng)估范式。

　　另外，還采用了一種類(lèi)似于上下文蒸餾的(context distillation)技術(shù)，在構(gòu)建訓(xùn)練序列時(shí)刪去了GPT-4用以參考的場(chǎng)景評(píng)估標(biāo)準(zhǔn)，僅保留了輸出端的監(jiān)督信號(hào)。

　　在實(shí)踐中發(fā)現(xiàn)這能夠有效增強(qiáng)Auto-J的泛化性，避免其輸出的評(píng)判僅限制在對(duì)評(píng)估標(biāo)準(zhǔn)的同義重復(fù)上而忽略回復(fù)中具體的細(xì)節(jié)。

　　同時(shí)，對(duì)于成對(duì)回復(fù)比較數(shù)據(jù)部分，還采用了一個(gè)簡(jiǎn)單的數(shù)據(jù)增強(qiáng)方式，即交換兩個(gè)回復(fù)在輸入中出現(xiàn)的順序，并對(duì)輸出的評(píng)判文本進(jìn)行相應(yīng)的重寫(xiě)，以盡可能消除模型在評(píng)估時(shí)的位置偏好。

　　實(shí)驗(yàn)和結(jié)果

　　針對(duì)Auto-J所支持的多個(gè)功能，分別構(gòu)建了不同的測(cè)試基準(zhǔn)以驗(yàn)證其有效性:

　　在成對(duì)回復(fù)比較任務(wù)上，評(píng)估指標(biāo)為與人類(lèi)偏好標(biāo)簽的一致性，以及在交換輸入中兩個(gè)回復(fù)的順序前后模型預(yù)測(cè)結(jié)果的一致性。

　　可以看到Auto-J在兩個(gè)指標(biāo)上均顯著超過(guò)了選取的基線模型，僅次于GPT-4。

　　在單回復(fù)評(píng)論生成任務(wù)上，將Auto-J生成的評(píng)論與其他模型的評(píng)論進(jìn)行了一對(duì)一比較，可以看到不管是基于GPT-4的自動(dòng)比較還是人類(lèi)給出的判決，Auto-J所生成的評(píng)論都顯著優(yōu)于大部分基線，且略微優(yōu)于GPT-4。

　　研究者還探索了Auto-J作為獎(jiǎng)勵(lì)模型(Reward Model)的潛力。

　　在常用的檢測(cè)獎(jiǎng)勵(lì)模型有效性的Best-of-N設(shè)定下(即基座模型生成多個(gè)候選答案，獎(jiǎng)勵(lì)模型根據(jù)自身輸出選擇最佳回復(fù))，Auto-J給出的單回復(fù)打分比各類(lèi)基線模型能選出更好的回復(fù)(以GPT-4評(píng)分為參考)。

　　同時(shí)，其打分也顯示了與GPT-4打分更高的相關(guān)性。

　　最后，開(kāi)發(fā)者也探究了Auto-J在系統(tǒng)級(jí)別的評(píng)估表現(xiàn)。

　　對(duì)AlpacaEval(一個(gè)流行的基于GPT-4評(píng)估的大模型排行榜)上提交的開(kāi)源模型使用Auto-J的單樣本打分進(jìn)行了重新排序。

　　可以看到，基于Auto-J的排序結(jié)果與GPT-4的排序結(jié)果有極高的相關(guān)性。

　　作者總結(jié)和展望

　　總結(jié)來(lái)說(shuō)，GAIR研究組開(kāi)發(fā)了一個(gè)具有130億參數(shù)的生成式評(píng)價(jià)模型 Auto-J，用于評(píng)估各類(lèi)模型在解決不同場(chǎng)景用戶問(wèn)詢下的表現(xiàn)，并旨在解決在普適性、靈活性和可解釋性方面的挑戰(zhàn)。

　　實(shí)驗(yàn)證明其性能顯著優(yōu)于諸多開(kāi)源與閉源模型。

　　此外，也公開(kāi)了模型之外的其他資源，如模型的訓(xùn)練和多個(gè)測(cè)試基準(zhǔn)中所使用的數(shù)據(jù)，在構(gòu)建數(shù)據(jù)過(guò)程中得到的場(chǎng)景定義文件和參考評(píng)估標(biāo)準(zhǔn)，以及用以識(shí)別各類(lèi)用戶問(wèn)詢所屬場(chǎng)景的分類(lèi)器。