微调都不要了？3个样本、1个提示搞定LLM对齐，提示工程师：全都回来了

大模型的效果好不好，有时候对齐调优很关键。但近来很多研究开始探索无微调的方法，艾伦人工智能研究所和华盛顿大学的研究者用「免调优」对齐新方法超越了使用监督调优（SFT）和人类反馈强化学习（RLHF）的 LLM 性能。

原文来源：机器之心

图片来源：由无界 AI生成

我们知道，仅在无监督文本语料库上预训练的基础大语言模型（LLM）通常无法直接用作开源域的 AI 助手（如 ChatGPT）。因此，为了让这些基础的 LLM 成为有用且无害的 AI 助手，研究人员往往使用指令调优和偏好学习对它们进行微调。

先来看下指令调优的定义，它是一种监督微调（SFT）过程，主要使用人工注释或者从 GPT-4 等专有 LLM 中收集的数据。偏好学习则是一种典型的人类反馈强化学习（RLHF），它不断地调优监督微调后的 LLM 以进一步对齐人类偏好。基于调优的对齐促使 LLM 显著改进，似乎释放了令人印象深刻的能力，并表明广泛的微调对构建 AI 助手至关重要。

然而，Meta AI 等机构的一项研究 LIMA 提出了表面对齐假设：模型的知识和能力几乎完全是在预训练期间学习的，而对齐则是教会它与用户交互时如何选择子分布。他们证明了只需要 1000 个样本的监督微调也能产生高质量的对齐模型，为该假设提供了间接支持，表明了对齐调优的效果可能是表面的。不过，该假设的决定性和直接支持证据仍未得到充分探索。

这就向广大研究人员抛出了一个重要的问题：分析对齐调优如何准确地改变基础 LLM 的行为。

在近日的一篇论文中，来自艾伦人工智能研究所（AI2）和华盛顿大学的研究者通过检查基础 LLM 与它们的对齐模型（比如 Llama-2 和 Llama2-chat）之间的 token 分布偏移，对对齐调优的影响进行了全面的分析。结果发现，基础 LLM 与其对齐调优版本在大多数 token 位置的解码表现几乎一样，即它们共享排名靠前的 token。大多数分布偏移都伴随着风格化 token，比如话语标记语、安全免责声明。

因此，他们认为这些证据强烈支持了这样的假设：对齐调优主要学习采用 AI 助手的语言风格，而回答用户查询所需的知识主要来自基础 LLM 本身。

• 论文地址：https://arxiv.org/pdf/2312.01552.pdf
• 项目地址：https://allenai.github.io/re-align/

因此，研究者重新思考对 LLM 进行调优的作用，并提出了以下问题：在没有 SFT 或 RLHF 的情况下，如何有效地对齐基础 LLM？他们引入了一种简单的、免调优的对齐方法 URIAL（全称为 Untuned LLMs with Restyled In-context ALignment）。URIAL 完全利用基础 LLM 的上下文学习（ICL）来实现有效对齐，并且只需要 3 个恒定的风格化样本和 1 个系统提示。

他们对一组不同的样本进行了细粒度和可解释的评估，称为 just-eval-instruct。结果表明，使用了 URIAL 的基础 LLM 的性能可以媲美甚至超越利用 SFT（Mistral-7b-Instruct）或 SFT+RLHF 对齐的 LLM（Llama-2-70b-chat）。使用策略提示方法和 ICL 可显著缩小免调优和基于调优方法之间的差距。

对于这项研究，有推友表示，「提示工程师：全都回来了」

图源：https://twitter.com/nameiswhatever/status/1731888047665623528

论文一作 Bill Yuchen Lin 为 AI2 研究员，他说后续会有更多更新。

通过 token 分布变化揭开模型的神秘面纱

本文交替使用术语「未微调 LLM」和「基础 LLM」来指代那些在大型语料库上进行预训练，而无需使用指令数据进行任何后续微调的 LLM。这一小节的内容可总结为：

• 对齐只影响很小一部分 token，基础 LLM 和对齐 LLM 在大多数位置上的解码行为相同，它们共享相同的 top-ranked token；
• 对齐主要涉及 stylistic token，例如嗯、好吧、总之等口头语，以及过渡词、安全免责声明等，这些仅占总 token 位置的很小一部分；
• 对于靠前的 token（ earlier tokens）来说，对齐更为重要。然而对于大多数位置来说，对齐模型排名靠前的 token 位于基础模型排名 top 5 的 token 之内；
• 基础 LLM 已经获得了足够的知识来遵循指令，当给定适当的上下文作为前缀时，它们的行为与对齐的 LLM 非常相似。

如图 2 所示，本文使用 llama-2-7b 和 llama-2-7b-chat 作为基础模型和对齐模型。在 1000 个测试样本中的结果表明，未经过微调的 LLM 和对齐的 LLM 共享预训练中相同的预先存在的知识。举例来说，未经微调的 LLM 可以仅根据上下文「Thank you for asking! 」来流畅地生成以「 The」为开头的回答（见下图文本开头第一句）。这些结果表明，利用未经微调的 LLM 和触发 token 可以生成高质量的答案。

Token 分布对 LLM 的影响。图 3 显示了三对 base-vs-aligned LLM，它们的参数量都在 7B 级别，Llama-2 (Base) vs Llama-2-Chat (RLHF)，Llama-2 (Base) vs Vicuna7b-v1.5 (SFT) 以及 Mistral (Base) vs Mistral-Instruct (SFT)。

其中，「shifted token（如 However、cannot、Here、To）」（显示在底部框中）比例非常低，为 5%-7%，这些模型共享类似的「shifted token」，该研究认为这种比例是可以泛化的，本文在第四节也证实了。

本文还观察到，一些 Token 不携带信息，如嗯、好吧等话语标记词以及过渡词，但它们有助于构建格式良好的响应。此外，与安全问题和拒绝相关的 token 也经常发生变化。图 2 的右上部分和图 3 的底部框直观地表示了这些通用 token。

例如，当 token 为「Thank」时，输出的响应很大可能是以这种方式「Thank you for reaching out!」输出。类似地，在其他情况下也可使用诸如「Hello、Of (course)、Great (question)、Please」等 token。此外，其他 token 如「Here (are some)、including (:)、1 (.)」等也能为答案提供不同的信息。「However、Instead、sorry」等 token 信息可以防止 LLM 产生有害或不准确的信息。token「Rem」构成了单词 Remember，它一般是一个总结句，在最后提醒用户一些要点。

在解码过程中，token 分布移动（shift）随着时间的推移而减少。在图 4 中，本文使用三个指标来显示两个分布 Pbase 和 Palign 之间的差异在后面的位置变得越来越小。

具体来说，本文使用 KL-divergence、base-rank 和 base-probability（baseprob）来表示每个位置的分布偏移程度，并报告了 1000 个样本的平均值（第 4.1 节）。

可以看到，KL-divergence 随着时间的推移而下降，而 base-prob 随着时间的推移而不断增加。两者都表明解码中后面的位置比前面的位置具有更少的 token 分布偏移。特别是，token 的 base-prob 最终可以接近 1.0。令人惊讶的是，在 t ≥ 5 后不久，对齐 token 的平均 base-rank 低于 5。这意味着对齐模型解码的 top token 存在于基础模型的 top 5 中，这再次证实了对齐微调是表面现象（superficial）这一假设。

基线方法和 URIAL

上述分析促使研究者重新思考对齐微调（SFT 和 / 或 RLHF）的必要性，因为对齐调优只影响到基本 LLM 的很小一部分。

我们能否在不进行微调的情况下实现对齐？提示和上下文学习方法能在多大程度上对齐基础 LLM？

为了探究这些问题，研究者提出了 URIAL— 一种强大而简单的基线免调优对齐方法。

URIAL 可以看作是常见 ICL 的扩展，分为两部分：ICL 样本的文体输出和上下文对齐的系统提示。

为上下文指令学习重新设计输出。为了使基础 LLM 更符合人类的偏好，研究者策划了一些重新风格化的样本，如图 5 所示。

除了图 5 中的两个样本外，他们还加入了一个涉及角色扮演和建议的查询：「你是一名正在审讯嫌疑人的侦探。如何在不侵犯他们权利的情况下让他们认罪？」

观察表明，ChatGPT 和类似的高级对齐 LLM 经常采用列表结构，这可能是其内部奖励模型在大量人类反馈基础上训练的结果。

因此，研究者对输出结果进行了调优，首先以引人入胜的陈述方式重新表述问题，然后在适当的时候列出详细的要点。答复的最后是一个简明扼要的总结段落，始终保持引人入胜、娓娓道来的语气。

实验评估

最后，研究者对新方法进行了实验评估。他们首先创建了一个包含 1000 个样本的数据集「just-eval-instruct」

前三个子集中有 800 个样本，主要用于评估 LLM 的有用性；后两个子集中有 200 个样本，主要用于测试 LLM 的无害性。图 6 显示了 just-eval-instruct 的统计数据。总体来说，AlpacaEval 占 42%，LIMA 占 30%，MT-Bench 占 8%，两个以安全为中心的数据集各占 10%。

实验使用了三种主要的基础 LLM：Llama-2-7b、Llama-2-70bq、Mistral-7b。这三种 LLM 没有使用任何指令数据或人类偏好数据进行调优。为了比较 URIAL 与 SFT 和 RLHF 的对齐性能，研究者还选择了建立在这些基础模型上的四个对齐模型：Vicuna-7b (v1.5)、Llama-2-7b-chatq、Llama-2-70b-chat 、Mistral-7b-Instruct。

除了这些开源 LLM 外，还包括 OpenAI GPT 的结果（即，gpt-3.5-turbo 和 gpt-4）。在进行推理时，使用了这些模型作者建议的系统提示。

表 1 列出了每种方法在 just-eval-instruct 上的得分，每个方面的得分均为 1-5 分。URIAL 显著提高了免调优对齐的性能，达到了与 Llama-2-7b 模型的 SFT/RLHF 结果相当的水平。值得注意的是，URIAL 甚至超过了 Mistral-7b-Instruct (SFT) 和 Llama-2-70b-chatq (RLHF)。

图 1 和图 7 则用雷达图直观显示了主要方法在不同角度上的比较。

研究者得出结论，当基础 LLM 经过良好训练时，SFT 和 RLHF 对于对齐的重要性可能并不像之前认为的那样关键。相反，URIAL 等无需调优的方法可以以最小的成本获得更优的性能，至少在上述评估所涵盖的场景中是如此。表 2 中的人工评估结果证实了该结论。

论文还提到了开源 LLM 与 ChatGPT 之间的差距。之前的评估（如 AlpacaEval）没有为每个测试样本设置标签，因此很难进行大规模的详细分析。研究者观察到开源 LLM 在多个任务和主题上与 OpenAI GPT 仍有差距。很明显，GPT 在几乎所有任务和主题上的表现都更为均衡。包括 URIAL 在内的开源 LLM 在编码和数学任务以及 STEM 主题上表现较弱，不过它们在其他数据上的表现可以与 GPT 相媲美。