大模型（LLMs）强化学习—— PPO

一、大语言模型RLHF中的PPO主要分哪些步骤？

二、举例描述一下 大语言模型的RLHF？

三、大语言模型RLHF 采样篇

1. 什么是 PPO 中 采样过程？
2. 介绍一下 PPO 中 采样策略？
3. PPO 中 采样策略中，如何评估“收益”？

一、大语言模型RLHF中的PPO主要分哪些步骤？

大语言模型RLHF中的PPO 分为：

1. 采样
2. 反馈
3. 学习

对应的实现逻辑如下：

二、举例描述一下 大语言模型的RLHF ？

大语言模型的RLHF ，实际上是模型先试错再学习的过程。大语言模型的RLHF 好比是：老师与学生的角色

1. 我们扮演着老师的角色，给出有趣的问题。模型则会像小学生一样，不断尝试给出答案。
2. 模型会根据我们给出的问题，写出它觉得正确的答案，但是这些答案不一定是真的答案，需要我们结合正确答案进行打分。如果它表现得好，就会给予它高声赞扬；如果它表现不佳，我们则会给予它耐心的指导和反馈，帮助它不断改进，直到达到令人满意的水平。

三、大语言模型RLHF 采样篇

1. 什么是 PPO 中 采样过程？
   PPO 中 采样过程：学生回答问题的过程，是模型根据提示（prompt）输出回答（response）的过程，或者说是模型自行生产训练数据的过程。
   eg:

1. 介绍一下 PPO 中 采样策略？
   PPO 中 采样工作 通过一种策略（ policy ） ：policy由两个模型组成，一个叫做演员模型（ Actor ），另一个叫做评论家模型（ Critic ）。它们就像是学生大脑中的两种意识，一个负责决策，一个负责总结得失。
   演员：我们想要训练出来的大模型。在用PPO训练它之前，它就是RLHF的第一步训练出来的SFT
   （Supervised Fine-Tuning）model。输入一段上下文，它将输出下一个token的概率分布。
   评论家：强化学习的辅助模型，输入一段上下文，它将输出下一个token的“收益”。
2. PPO 中 采样策略中，如何评估“收益” ？

从下一个token开始，模型能够获得的总奖励（浮点数标量）。这里说的奖励包括Reward Model给出的奖励。