中山移动网站建设公司哈尔滨最新今日头条新闻
基于GitHub项目：https://github.com/datawhalechina/llms-from-scratch-cn
为什么需要人类反馈？
适应人类需求。
RLHF 的三大阶段
阶段1：监督微调（SFT）
-
目标：模型生成人类想要的回答
-
方法：人类示范优质回答
-
数据：人工编写的问答对
用户：如何做煎蛋？
人类示范：首先，在平底锅加少许油，中火加热。然后打入鸡蛋...阶段2：奖励模型训练
训练一个"裁判模型"来评判回答质量：
收集对比数据：
-
给模型同一个问题生成多个回答
-
人类标注哪个回答更好
问题：解释量子纠缠
回答A：量子纠缠是量子力学现象...（专业但晦涩）★
回答B：想象两个心灵感应的粒子...（通俗易懂）★★★训练奖励模型：
-
输入：问题 + 回答
-
输出：质量评分
-
目标：准确预测人类偏好
关键点：奖励模型学会人类价值观：简洁性、安全性、有用性
阶段3：强化学习微调（PPO）
原始模型->>+奖励模型： 生成回答
奖励模型->>-原始模型： 评分反馈
原始模型->>原始模型： 根据评分调整参数使用近端策略优化（PPO） 算法：
-
模型生成回答
-
奖励模型打分
-
模型调整策略获得更高分
-
避免偏离原始能力（KL散度约束）
RLHF 的效果
经过RLHF训练的模型：
| 能力 | 提升效果 |
|---|---|
| 有用性 | 回答更精准解决用户问题 |
| 诚实性 | 减少"一本正经胡说八道" |
| 无害性 | 过滤有害/偏见内容 |
| 风格适配 | 能调整正式/幽默等风格 |
RLHF实战
# 伪代码 - PPO核心训练循环
for epoch in range(num_epochs):# 1. 生成回答responses = model.generate(prompts)# 2. 获取人类/奖励模型评分rewards = reward_model.score(prompts, responses)# 3. 计算原始模型评分（KL约束）with torch.no_grad():old_log_probs = original_model(responses)# 4. PPO优化loss = ppo_loss(current_log_probs, old_log_probs, rewards)optimizer.zero_grad()loss.backward()optimizer.step()