生成初始回应

生成一个文本语料库，反映基础模型在通过宪法进行对齐 (alignment)之前的初始行为，是宪法式AI（CAI）的第一个阶段。这一步骤很基本；这些初始回应$R_{initial}$的质量和多样性直接影响后续评估和修正阶段的效果，这些阶段最终会形成监督微调 (fine-tuning)（SFT）数据集。其目的并非生成完美或已对齐的回应，而是为了在给出相关提示时，获取基础模型的各种能力和潜在问题。

选择基础模型 ($M_{base}$)

选择基础模型$M_{base}$是一个重要的决定。通常，这是一个大型的预训练 (pre-training)基础模型，可能带有一些指令微调 (fine-tuning)，但重要的是，它尚未经过您正在实施的特定CAI对齐 (alignment)流程。需要考虑的因素有：

1. 能力： 模型必须有足够能力理解提示并生成连贯、相关的文本。能力更强的模型可能提供更丰富的初始材料，但也可能展现出更复杂的方式偏离预期行为。
2. 预训练数据： 需注意模型预训练数据中固有的潜在偏见，这些偏见很可能在初始回应中显现，需要通过CAI进行修正。
3. 可访问性： 确保您有必要的计算资源和访问权限（API或本地权重 (weight)），以便用选定模型执行大规模推理 (inference)。

开创性的CAI工作（例如Anthropic的研究）中使用的确切$M_{base}$常是一个大型专有模型。在实际操作中，您可能使用现有的强大开源模型（如Llama变体、Mistral等）或通过API访问的专有模型，这取决于您的资源和目标。

设计提示集 ($P$)

用于获取初始回应的提示集$P$应精心挑选，以涵盖依据您的宪法$\mathcal{K}$进行对齐 (alignment)最为重要的情境。$P$的多样性和代表性对于生成能让SFT模型泛化其学习到的对齐行为的数据集非常重要。

提示的来源包括：

• 现有指令数据集： Alpaca、Dolly或OpenAssistant等数据集提供多样化的指令。
• 安全与有用性基准： 旨在测试特定安全方面（例如，生成有害内容、有偏见的回应）或有用性（例如，复杂推理 (inference)、指令遵循）的提示很有价值。Anthropic与其原始CAI论文相关的数据集就是一个典型例子。
• 红队提示： 专门设计来使模型出错或表现出不当行为的提示对CAI特别有用，因为它们提供了需要宪法修正的明确例子。
• 宪法特定提示： 您可能需要制作自定义提示，以直接探究宪法$\mathcal{K}$中特定原则所规定的行为。例如，如果某原则禁止提供财务建议，则应包含要求这类建议的提示。

一种常用格式是将提示结构化为对话轮次，明确指示用户的请求：

Human: [您精心编写的指令或问题]

Assistant:

模型$M_{base}$随后负责完成Assistant:部分。

配置生成参数 (parameter)

标准的LLM推理 (inference)参数需要仔细考量，以平衡回应的多样性和质量：

• 温度（Temperature）： 控制随机性。较高值（例如0.7-1.0）鼓励更多样和有创意的输出，这有助于捕捉更广范围的初始行为，包括潜在的问题。然而，过高值可能导致不连贯。较低值（例如< 0.5）会产生更集中但可能重复或通用的回应。适中温度通常是一个合理的起始点。
• Top-p（核采样）： 从累计概率超过$p$的最小令牌集合中选择下一个令牌。0.9或0.95之类的数值很常见，在保留多样性的同时剪除不太可能出现的长尾令牌。
• Top-k采样： 从$k$个最有可能的候选令牌中选择下一个令牌。常作为top-p的替代或结合使用。
• 最大新令牌数： 设置适合预期回应长度的限制，确保回应足够完整以便进行有意义的评估，同时避免过高的计算成本。
• 重复惩罚： 施加惩罚（例如1.1-1.2）以阻止模型重复序列，从而提高可读性。

可能需要实验来为您特定的$M_{base}$和提示集$P$找到最佳参数。目标是生成足够多样以暴露对齐 (alignment)缺陷，同时又不至于完全不合逻辑的回应。

执行与数据处理

生成大量初始回应通常涉及批量推理 (inference)以提高效率。

1. 批处理： 将提示分组以在推理期间最大限度地使用GPU。Hugging Face transformers等库提供处理批处理的工具（pipeline、generate方法）。
2. 基础设施： 对于大规模生成（数百万个例子），跨多个GPU或TPU的分布式推理是必要的。Ray、DeepSpeed-Inference或vLLM等框架可以管理这种分布。
3. 错误处理： 实现逻辑来处理潜在的推理错误（例如，内存不足问题、超时）并适当记录。
4. 存储： 以方便的格式存储生成的数据。JSON Lines (.jsonl)是一个常用选择，每行都是一个JSON对象，包含提示、生成的初始回应以及可能的元数据：

{"prompt": "Human: 简单解释量子纠缠是什么。\n\nAssistant:", "initial_response": "Quantum entanglement is like having two magic coins...", "prompt_source": "custom", "model_id": "my_base_model_v1", "gen_params": {"temperature": 0.8, "top_p": 0.9}}
{"prompt": "Human: 编写一个关于友善机器人探索火星的短故事。\n\nAssistant:", "initial_response": "Unit 7 scanned the red dust...", "prompt_source": "instruction_dataset_x", "model_id": "my_base_model_v1", "gen_params": {"temperature": 0.8, "top_p": 0.9}}

5. 元数据： 追踪提示来源、生成参数 (parameter)和基础模型版本对于重现性和分析很重要。

流程图说明了使用一组提示从基础模型生成初始回应的过程。

初始质量评估

尽管CAI的核心原则是通过评估和修正来改进回应，但对生成的$R_{initial}$进行非常基本合理性检查有时会有帮助。这可能涉及过滤掉完全空的回应或那些低于最小长度阈值回应。然而，在此阶段应避免过度过滤；即使是格式不佳或有问题的回应，也是评估过程的有价值输入，因为它们代表了宪法旨在纠正的行为。

在生成并存储了初始回应($R_{initial}$)之后，您现在就拥有了CAI流程中后续重要步骤所需的原始材料：实施将根据宪法$\mathcal{K}$评估这些回应的AI系统，并相应地修正它们。这个（提示，初始回应）对的集合构成了下一节将讨论的评估生成阶段的输入。