隨著生成式人工智能技術(shù)的快速發(fā)展，確保大模型與人類價(jià)值（意圖）對齊（Alignment）已經(jīng)成為行業(yè)的重要挑戰(zhàn)。

雖然模型的對齊至關(guān)重要，但目前的評估方法往往存在局限性，這也讓開發(fā)者往往困惑：大模型對齊程度如何？這不僅制約了對齊技術(shù)的進(jìn)一步發(fā)展，也引發(fā)了公眾對技術(shù)可靠性的擔(dān)憂。

為此，上海交通大學(xué)生成式人工智能實(shí)驗(yàn)室迅速響應(yīng)，推出了一款全新的價(jià)值對齊評估工具：Auto-J，旨在為行業(yè)和公眾提供更加透明、準(zhǔn)確的模型價(jià)值對齊評估。

• 論文地址：https://arxiv.org/abs/2310.05470
• 項(xiàng)目地址：https://gair-nlp.github.io/auto-j/
• 代碼地址：https://github.com/GAIR-NLP/auto-j

目前，該項(xiàng)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(gè)場景手工構(gòu)建的參考評估準(zhǔn)則；
• 能夠自動(dòng)識(shí)別用戶問詢所屬場景的分類器等。

該評估器有如下優(yōu)勢：

1. 功能使用方面

• 支持 50 + 種不同的真實(shí)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(jiǎng)勵(lì)函數(shù)”（Reward Model) 對模型性能進(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(jià)值對齊過程中存在的問題。

2. 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(gè)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(fèi)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(shí)間和金錢成本。）

成對回復(fù)比較的排行榜結(jié)果

評論生成任務(wù)的排行榜結(jié)果

示例

注：本節(jié)提供的示例已由原始英文文本翻譯為中文

下圖例 1 為成對回復(fù)比較，紅色字體高亮了顯著區(qū)分兩條回復(fù)的內(nèi)容，并且用綠色字體高亮了 Auto-J 給出的評判中與用戶偏好對齊的部分。

下圖例 2 為單回復(fù)評估，綠色字體高亮了 Auto-J 給出的評判中切中要點(diǎn)的部分。

具體方法

訓(xùn)練數(shù)據(jù)總體上遵循如下的流程示意圖：

圖1：訓(xùn)練數(shù)據(jù)收集流程示意圖

場景的定義和參考評估標(biāo)準(zhǔn)：

圖 2：場景定義與參考評估標(biāo)準(zhǔn)

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(gè)場景，研究者手動(dòng)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(gè)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(gè)場景的具體標(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(gè)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(dòng)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(gè)分類器用以識(shí)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(shí)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(gè)成對樣本和 960 個(gè)單回復(fù)樣本作為訓(xùn)練數(shù)據(jù)的輸入部分，其中成對樣本包含了一個(gè)問詢，兩個(gè)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(gè)回復(fù)更好或平局）；而單回復(fù)樣本則只包含了一個(gè)問詢和一個(gè)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(shí)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(gè)（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(gè) 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(gè)樣本，都會(huì)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(shí)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(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(shí)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(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(shí)，對于成對回復(fù)比較數(shù)據(jù)部分，還采用了一個(gè)簡單的數(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(shí)的位置偏好。

實(shí)驗(yàn)和結(jié)果

針對 Auto-J 所支持的多個(gè)功能，分別構(gòu)建了不同的測試基準(zhǔn)以驗(yàn)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(gè)回復(fù)的順序前后模型預(yù)測結(jié)果的一致性?？梢钥吹?Auto-J 在兩個(gè)指標(biāo)上均顯著超過了選取的基線模型，僅次于 GPT-4。

表 1 & 圖 3：成對回復(fù)比較任務(wù)的結(jié)果

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(dòng)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。

圖 4：Auto-J 在單回復(fù)評論生成任務(wù)上相比基線的勝率

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)打分比各類基線模型能選出更好的回復(fù)（以 GPT-4 評分為參考）。同時(shí)，其打分也顯示了與 GPT-4 打分更高的相關(guān)性。

表 2：不同模型作為獎(jiǎng)勵(lì)模型的表現(xiàn)

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(gè)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?？梢钥吹?，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。

圖 5 & 表 3：Auto-J 與 GPT-4 對 AlpacaEval 排行榜提交的開源模型排序之間的相關(guān)性及具體排名數(shù)據(jù)

總結(jié)和展望

總結(jié)來說，GAIR 研究組開發(fā)了一個(gè)具有 130 億參數(shù)的生成式評價(jià)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(shí)驗(yàn)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(gè)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(shí)別各類用戶問詢所屬場景的分類器。