人类偏好数据收集

训练一个能体现人类偏好的奖励模型 ($RM$) 是主要目标。随之而来的问题是：如何获得代表这些偏好的数据？$RM$ 通过人类认为“好”或“坏”的AI行为示例来学习，这些行为是针对特定提示而产生的。收集人类偏好数据的实际过程在此阐述，这些数据是训练有效奖励模型的依据。

最普遍的做法是采用成对比较。我们不要求标注员给单一回复打上绝对质量分（这会非常主观且不一致），而是向他们展示一个提示和两个由语言模型生成的不同回复。标注员的任务仅仅是选择他们偏好哪个回复。这种相对判断对人类而言通常更容易，也更便于保持一致。

成对比较的工作流程

"1. 提示选择： 输入提示的来源通常是与先前模型版本的互动，或是经过整理的数据集，这些数据集旨在包含各种主题和风格（例如：问题、指令、创意写作提示）。提示的分布会显著影响所生成奖励模型的覆盖范围。" 2. 回复生成： 对于每个提示，会生成多个回复。这些回复通常来自： * 正在微调 (fine-tuning)的语言模型的不同版本（例如：基础SFT模型与早期RLHF调优检查点）。 * 同一模型采用不同的解码策略（例如：改变温度或top-p采样）。 * 不同语言模型的输出。 3. 人工标注： 标注员会收到提示，以及一对生成的回复（通常会匿名化，并随机排序为回复A和回复B）。他们根据预设的评判标准（例如：有用性、无害性、准确性、遵循指令的情况）选择偏好的回复。通常也包含“质量相同”或“无法判断”的选项。

这是一个成对偏好标注任务的简化示意图。标注员比较针对单个提示的两个回复，并标明其偏好。

这种成对方法直接支持了前述的布拉德利-特里模型等训练目标，其中奖励模型学会分配分数 $RM(\text{提示}, \text{回复})$，使得分数差异能预测一个回复比另一个更受偏好的可能性。

其他收集方法

尽管成对比较是主要方式，但也存在其他方法：

• K向排序： 标注员对两个以上回复进行排序（例如，将3或4个回复从最佳到最差排序）。这能为每个提示收集更多信息，但会增加标注员的认知负担。
• 绝对评分： 标注员给每个回复分配一个分数（例如，1-5星，或李克特量表上的数值分数）。尽管看似直接，但用绝对分数来实现标注员之间的校准和一致性是出了名的困难。这些分数通常无论如何都需要后期处理才能转换为相对偏好。

对于RLHF中训练奖励模型而言，成对比较通常能在标注效率和数据质量之间提供良好的平衡。

标注员管理与指导

偏好数据的质量取决于人工标注员。需要考量的事项有：

• 标注员来源： 标注员可以是内部专家、专业的承包团队，或是众包工作者。选择取决于预算、规模、所需专业知识和质量控制需求。高级RLHF通常会受益于熟悉特定对齐 (alignment)目标（例如：识别不易察觉的有害性或提高事实准确性）的训练有素的标注员。
• 清晰的指令： 详细的指导说明不可或缺。这些说明必须明确偏好的评判标准（例如：“回复A是否比回复B更有用且无害？”）。好的和坏的回复示例、边缘情况以及如何处理不明确之处都是必要的。
• 培训与校准： 标注员需要接受关于指导说明的培训，并可能进行校准练习，其中他们的判断将与黄金标准或专家共识进行比较。持续监测标注员之间的一致性，有助于发现不协调或误解。
• 界面设计： 标注工具应清晰、高效，并尽量减少偏差。随机化回复的顺序（A与B）可以避免位置偏见。界面应流畅地展示提示和回复对，记录选择，最好还能允许添加可选评论，解释偏好的理由，这对于分析很有价值。

数据质量与偏差

收集偏好数据容易遇到多种挑战：

• 标注员分歧： 人类自然会有分歧。高分歧率可能表明指导说明不清晰、提示不明确，或偏好确实主观。分析分歧模式很重要。
• 标注员偏差： 个别标注员可能存在固有的偏见，体现在他们的偏好中。汇集来自不同标注员的判断有助于减少这种情况。
• 提示代表性： 如果用于数据收集的提示不能反映最终模型将遇到的提示分布，那么学习到的奖励模型可能无法很好地推广。
• 系统钻空子： 标注员可能会形成与预期偏好标准不一致的启发式方法，尤其是在按任务付费且缺乏足够质量控制的情况下。

周密的规划、清晰的指导、严格的标注员培训和持续的质量监控，对于收集高保真度的偏好数据是必要的，这些数据能支持训练出有用的奖励模型。该数据集通常包含（提示、选中回复、驳回回复）元组，它将成为下一阶段——训练奖励模型本身的输入。