从人类反馈中进行强化学习 (RLHF) 增强了预训练大语言模型 (LLM) 与人类价值观的一致性，从而提高了它们的适用性和可靠性。然而，由于过程的计算密集性和资源需求，通过 RLHF 来调整 LLM 面临着重大障碍。使用 RLHF 训练 LLM 是一项复杂且资源密集型的任务，这限制了它的广泛采用。

为了克服现有的局限性，已经开发出了不同的技术，如 RLHF、RLAIF 和 LoRA，。RLHF 的工作原理是对首选输出拟合奖励模型，并使用 PPO 等强化学习算法训练策略。为训练奖励模型标注示例可能成本高昂，因此一些工作用 AI 反馈代替了人类反馈。高效参数微调 (PEFT) 方法可以减少 PLM 中的可训练参数数量，同时保持性能。LoRA 是一种 PEFT 方法的示例，它将权重更新分解为可训练的低秩矩阵，从而只训练总参数的一小部分。

Google 的研究团队引入了一种革命性的方法，即高效参数强化学习 (PERL)。这种创新方法利用 LoRA 更有效地改进模型，保持传统 RLHF 方法的性能，同时显著降低计算和内存需求。PERL 允许选择性地训练这些适配器，同时保留核心模型，从而大幅减少训练所需的内存占用和计算负载，同时不会影响模型的性能。

PERL 通过在广泛的数据集上实施 LoRA 来提高参数效率，从而彻底改变了 RLHF 模型的训练。它利用了多种数据，包括 Reddit TL;DR 和 BOLT English SMS/Chat 的文本摘要、无害响应偏好建模、斯坦福人类偏好数据集的帮助指标，以及从人类演示中派生的 UI 自动化任务。PERL 利用众包的 Taskmaster 数据集，专注于咖啡订购和票务场景中的对话交互，以改进模型响应。

研究表明 PERL 在与传统 RLHF 结果保持一致方面的效率，显著降低了大约 50% 的内存使用，并将奖励模型训练加速了 90%。LoRA 增强的模型与经过充分训练的模型的准确性相匹配，同时峰值 HBM 使用量减少了一半，训练速度提高了 40%。从质量上看，PERL 保持 RLHF 的高性能，同时降低了计算需求，为采用 Mixture-of-LoRA 等集成模型提供了有希望的途径，以实现稳健、跨域的泛化，并采用权重平均的适配器来降低计算成本的奖励黑客风险。

总之，谷歌的 PERL 方法标志着将 AI 与人类价值观和偏好相一致的重要飞跃。通过减轻与 RLHF 相关的计算挑战，PERL 提高了 LLM 的效率和适用性，并为 AI 调整的未来研究设定了新的基准。PERL 的创新生动地说明了高效参数方法如何彻底改变人工智能的格局，使其更易于使用、更高效、更符合人类价值观。

在公众号后台或文章末尾，发送消息『 0009』可自动获取 论文 链接。

⇩ 关注「奇点智源」，探索「人工智能」⇩