OpenAI这家公司又放大招了，继发布GPT 、下代GPT2和GPT3模型后，本月初发布了ChatGPT模型【也被称为GPT3.5】，结合大家的搜索测试效果来看，该模型效果确实很震撼，在人工智能圈子引起了不小的轰动。在AI发展相对处于低谷期的引擎今天，如此震撼的模型发布出来，确实为该行业带来一阵暖风，本文就详细解读一下该模型 。 
官方并没有公开ChatGPT的原始Paper，但提到 InstructGPT 是该模型的兄弟模型，因此，本文主要来解读InstructGPT模型。
相关模型解读 【GPT】Improving Language Understanding by Generative Pre-Training 【GPT2】Language Models are Unsupervised Multitask Learners 【GPT3】Language Models are Few-Shot Learners
把语言模型做大并不能本质上让它们更贴合用户的意图 。例如，大型语言模型可能生成不真实 、火出有害或对用户没有帮助的下代输出 。换言之，这些模型与它们的搜索用户并不是对齐的 (Aligned) 。本文提出了一种方法，通过使用人类反馈进行微调，使语言模型在广泛的引擎任务中与用户意图保持一致。我们从一组由人工撰写以及通过 OpenAI API 所提交的文解提示 (Prompt)开始，整理了一个人工给模型作出示范的数据集，并将其应用到微调GPT-3的监督学习任务中去 。然后，我们采集了模型输出的最近排名，并利用该数据集，结合人类反馈进行强化学习，进一步微调这个监督模型 。我们将最终的火出模型称为 InstructGPT 。在对提示分布的下代人类评估中，尽管参数量少了 100 倍，13 亿参数的 InstructGPT 模型表现仍要好于 1750 亿参数的 GPT-3 。此外，InstructGPT 模型在提高真实性并减少有害输出的搜索同时，在公共 NLP 数据集上表现出了最优的性能 。尽管 InstructGPT 仍然会犯一些简单的引擎错误，但我们的研究结果表明，通过人类反馈微调，将语言模型与人类意图对齐是一个有前景的方向 。
模型整体框架： 
在“人工标注数据+强化学习”框架下，具体而言，InstructGPT的训练过程分为以下三个阶段：
第一阶段：冷启动阶段的监督策略模型 靠GPT 3本身，尽管它很强，但是它很难理解人类不同类型指令中蕴含的不同意图，也很难判断生成内容是否是高质量的结果
。为了让GPT 3初步具备理解指令中蕴含的意图，首先会从测试用户提交的prompt(就是指令或问题)中随机抽取一批，靠专业的标注人员，给出指定prompt的高质量答案，然后用这些人工标注好的
第二阶段：训练回报模型（Reward Model,RM） 这个阶段的主要目的是通过人工标注训练数据，来训练回报模型 。具体而言，随机抽样一批用户提交的prompt(大部分和第一阶段的相同)，使用第一阶段Fine-tune好的冷启动模型，对于每个prompt，由冷启动模型生成K个不同的回答，于是模型产生出了
第三阶段：采用强化学习来增强预训练模型的能力 本阶段无需人工标注数据，而是利用上一阶段学好的RM模型，靠RM打分结果来更新预训练模型参数 。具体而言，首先，从用户提交的prompt里随机采样一批新的命令（指的是和第一第二阶段不同的新的prompt，这个其实是很重要的，对于提升LLM模型理解instruct指令的泛化能力很有帮助），且由冷启动模型来初始化PPO模型的参数。然后，对于随机抽取的prompt，使用PPO模型生成回答answer， 并用上一阶段训练好的RM模型给出answer质量评估的回报分数score，这个回报分数就是RM赋予给整个回答（由单词序列构成）的整体reward。有了单词序列的最终回报，就可以把每个单词看作一个时间步，把reward由后往前依次传递，由此产生的策略梯度可以更新PPO模型参数 。这是标准的强化学习过程，目的是训练LLM产生高reward的答案，也即是产生符合RM标准的高质量回答 。
如果我们不断重复第二和第三阶段，很明显，每一轮迭代都使得LLM模型能力越来越强 。因为第二阶段通过人工标注数据来增强RM模型的能力，而第三阶段，经过增强的RM模型对新prompt产生的回答打分会更准，并利用强化学习来鼓励LLM模型学习新的高质量内容，这起到了类似利用伪标签扩充高质量训练数据的作用，于是LLM模型进一步得到增强 。显然，第二阶段和第三阶段有相互促进的作用，这是为何不断迭代会有持续增强效果的原因 。
