用AI評估AI，上交大新款大模型部分任務(wù)超越GPT-4，模型數(shù)據(jù)都開源

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

　　評估大模型對齊表現(xiàn)最高效的方式是?

　　在生成式AI趨勢里，讓大模型回答和人類價值(意圖)一致非常重要，也就是業(yè)內(nèi)常說的對齊(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。

　　但是目前的評估方法還存在透明度不夠、準(zhǔn)確性不佳等問題。

　　所以研究人員開源了一個130億參數(shù)規(guī)模的大模型Auto-J，能對評估當(dāng)下大模型的對齊效果。

　　它可同時分析兩個大模型的回答，分別做出評價并進(jìn)行對比。

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

　　目前，該項目開源了大量資源，包括:

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

　　所涉及問詢場景的定義文件;

　　每個場景手工構(gòu)建的參考評估準(zhǔn)則;

　　能夠自動識別用戶問詢所屬場景的分類器等。

　　用大模型指導(dǎo)大模型回答

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

　　同時對于它認(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

　　具體來看Auto-J在成對回復(fù)比較和單回復(fù)評估任務(wù)的效果。

　　成對回復(fù)比較部分給出的問題是:

　　起草一份給我家人的郵件，告訴他們我已經(jīng)買好了感恩節(jié)的機票。我會在11月22日出發(fā)，30日離開。

　　實驗對比了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、個性化。

　　同時它也給出了具體的分析過程，從目的、語氣、正文內(nèi)容、個性化、信息豐富度幾個方面評估，并講明了各個方面兩個大模型的優(yōu)劣。

　　單回復(fù)評估任務(wù)的提問是:

　　在烤架上烤三文魚最好的方法是什么?

　　待評估的回復(fù)是:

　　在烤架上烹制三文魚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，然后把三文魚皮朝下放在烤架上。讓三文魚烤5-7分鐘，直到皮酥脆，用叉子輕松刺入魚肉。翻轉(zhuǎn)三文魚，再烤3-4分鐘，配上你喜歡的配菜，享受美味。

　　對于這段回答，Auto-J給出的評價是“答得害行但是在幾個方面缺乏深度和詳細(xì)信息”。

　　比如沒有提到具體的烹飪溫度或時間，沒有提到三文魚的品質(zhì)。

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

　　支持50+場景

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

　　功能使用方面

　　支持50+種不同的真實場景的用戶問詢(query)(如常見的廣告創(chuàng)作，起草郵件，作文潤色，代碼生成等)能夠評估各類大模型在廣泛場景下的對齊表現(xiàn);

　　它能夠無縫切換兩種最常見的評估范式——成對回復(fù)比較和單回復(fù)評估;并且可以“一器多用”，既可以做對齊評估也可以做“獎勵函數(shù)”(Reward Model)對模型性能進(jìn)一步優(yōu)化;

　　同時，它也能夠輸出詳細(xì)，結(jié)構(gòu)化且易讀的自然語言評論來支持其評估結(jié)果，使其更具可解釋性與可靠性，并且便于開發(fā)者參與評估過程，迅速發(fā)現(xiàn)價值對齊過程中存在的問題

　　性能開銷方面

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

　　在開銷上，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)過量化壓縮更是將能在如3090這樣的消費級顯卡上部署使用，從而極大降低了LLM的評估成本 (目前主流的解決方法是利用閉源大模型(如GPT-4)進(jìn)行評估，但這種通過調(diào)用API的評估方式則需要消耗大量的時間和金錢成本。)

　　具體方法

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

　　對于每個場景，研究者手動編寫了一套用作參考的評估標(biāo)準(zhǔn)(criteria)，覆蓋了這類場景下常見的評估角度，其中每條標(biāo)準(zhǔn)包含了名稱和文本描述。

　　評估標(biāo)準(zhǔn)的構(gòu)建遵循一個兩層的樹狀結(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))，而每個場景的具體標(biāo)準(zhǔn)則繼承了一個或多個基礎(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)場景為例，針對這一場景的標(biāo)準(zhǔn)包括了該場景特定的內(nèi)容與格式標(biāo)準(zhǔn)，以及繼承而來的基礎(chǔ)標(biāo)準(zhǔn)。

　　收集來自多種場景的用戶問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景上均表現(xiàn)良好，因此一個重要的部分就是收集不同場景下相應(yīng)的數(shù)據(jù)。為此，研究者手動標(biāo)注了一定量用戶問詢的場景類別，并以此訓(xùn)練了一個分類器用以識別任意問詢的所屬場景。

　　在該分類器的幫助下，成功從包含了大量真實用戶問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)通過降采樣的方式篩選出了類別更加均衡的3436個成對樣本和960個單回復(fù)樣本作為訓(xùn)練數(shù)據(jù)的輸入部分，其中成對樣本包含了一個問詢，兩個不同的針對該問詢的回復(fù)，以及人類標(biāo)注的偏好標(biāo)簽(哪個回復(fù)更好或平局);而單回復(fù)樣本則只包含了一個問詢和一個回復(fù)。

　　收集高質(zhì)量的評判(judgment):

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

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

　　在具體操作上，選擇調(diào)用GPT-4來生成需要的評判。

　　對于每個樣本，都會將其對應(yīng)場景的評估標(biāo)準(zhǔn)傳入GPT-4中作為生成評判時的參考;此外，這里還觀察到在部分樣本上場景評估標(biāo)準(zhǔn)的加入會限制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，會將來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、具體且易讀的評判，作為訓(xùn)練數(shù)據(jù)的輸出部分，其中對于成對回復(fù)比較數(shù)據(jù)，進(jìn)一步根據(jù)已有的人類偏好標(biāo)注進(jìn)行了篩選。

　　訓(xùn)練:

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

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

　　在實踐中發(fā)現(xiàn)這能夠有效增強Auto-J的泛化性，避免其輸出的評判僅限制在對評估標(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，對于成對回復(fù)比較數(shù)據(jù)部分，還采用了一個簡單的數(shù)據(jù)增強方式，即交換兩個回復(fù)在輸入中出現(xiàn)的順序，并對輸出的評判文本進(jìn)行相應(yīng)的重寫，以盡可能消除模型在評估時的位置偏好。

　　實驗和結(jié)果

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

　　在成對回復(fù)比較任務(wù)上，評估指標(biāo)為與人類偏好標(biāo)簽的一致性，以及在交換輸入中兩個回復(fù)的順序前后模型預(yù)測結(jié)果的一致性。

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

　　在單回復(fù)評論生成任務(wù)上，將Auto-J生成的評論與其他模型的評論進(jìn)行了一對一比較，可以看到不管是基于GPT-4的自動比較還是人類給出的判決，Auto-J所生成的評論都顯著優(yōu)于大部分基線，且略微優(yōu)于GPT-4。

　　研究者還探索了Auto-J作為獎勵模型(Reward Model)的潛力。

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

　　同時，其打分也顯示了與GPT-4打分更高的相關(guān)性。

　　最后，開發(fā)者也探究了Auto-J在系統(tǒng)級別的評估表現(xiàn)。

　　對AlpacaEval(一個流行的基于GPT-4評估的大模型排行榜)上提交的開源模型使用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)來說，GAIR研究組開發(fā)了一個具有130億參數(shù)的生成式評價模型 Auto-J，用于評估各類模型在解決不同場景用戶問詢下的表現(xiàn)，并旨在解決在普適性、靈活性和可解釋性方面的挑戰(zhàn)。

　　實驗證明其性能顯著優(yōu)于諸多開源與閉源模型。

　　此外，也公開了模型之外的其他資源，如模型的訓(xùn)練和多個測試基準(zhǔn)中所使用的數(shù)據(jù)，在構(gòu)建數(shù)據(jù)過程中得到的場景定義文件和參考評估標(biāo)準(zhǔn)，以及用以識別各類用戶問詢所屬場景的分類器。