从指令微调到人类偏好：构建更有用的大语言模型
大语言模型（LLMs）已经成为现代自然语言处理系统的核心，但单纯依赖传统语言建模目标，往往难以满足实际应用的“人类意图”。从 Instruction Tuning（指令微调）出发，到 Preference Optimization（偏好优化）和 Prompt 工程，本博客将系统梳理这些技术的背景、方法与挑战，帮助你构建更实用、更安全的语言模型。
一、语言建模目标的局限
预训练语言模型通常优化“下一个词预测”目标，但这个目标并不等同于执行实际任务。
- 输入：“请总结以下文本。”
- 输出：“这本书是……” —— 并没有完成任务，仅仅模仿语气
这说明：语言建模学的是“如何说话”，而不是“如何完成任务”。
二、通用微调的瓶颈
在实际应用中，研究者尝试通过领域微调（Fine-tuning）让模型学会完成任务。但这种方式存在多个问题：
- 模型学到形式模仿，而非执行逻辑
- 标签和任务之间缺乏清晰边界
- 输出“看起来像”答案，但并不实用
这催生了更结构化的训练方式：指令微调（Instruction Tuning）。
三、什么是 Instruction Tuning？
Instruction Tuning 是一种使用"输入-任务描述 + 输出-示例结果"对进行训练的方法。目标是让模型：
- 理解人类自然语言中的指令
- 输出贴合任务目标的内容
示例：
- 输入：请判断情感倾向：“演技一般但画面精美。”
- 输出：正面
相比传统分类器，这种方式更贴近真实对话与任务场景。
四、代表模型：FLAN-T5
由 Google 提出的 FLAN-T5（Chung et al., 2022）是 Instruction Tuning 的代表性成果。
其优势包括：
- 覆盖多种任务类型（问答、摘要、翻译等）
- 多语言训练，增强泛化能力
- Zero-shot 与 Few-shot 表现优异
五、数据是关键：任务对的构建
Instruction Tuning 成败的核心在于数据：
优质任务对胜过庞杂数据量。常用数据来源包括：
- InstructGPT 人工标注任务
- FLAN 公开任务集合
- Super-Natural Instructions 跨领域任务集
此外，还有一种趋势是使用大模型自己生成任务数据，如 Stanford Alpaca 项目。
六、合成任务数据的潜力与风险
通过大模型生成指令-回应对，可以快速扩充训练集：
- 人工构造任务：“设计20个多样任务”
- GPT 生成回答
- 用于微调较小模型
这类方法低成本、高效率，但存在风险：
- 输出质量不一致
- 存在语义重复或模糊任务
七、训练任务量：真的越多越好吗？
Zhou 等人提出 LIMA（Less is More for Alignment）方法，发现：
几百条高质量任务对，足以训练出优秀模型。
相比海量低质量任务，更小但更精的指令数据可获得更强泛化能力。
困惑度Perplexity不能完全代表生成质量Quality，后者更早饱和，说明过度训练未必带来更好输出。
此外，该研究还通过多组实验可视化展示：
- 筛选后的 Stack Exchange 数据质量远高于 wikiHow 与原始数据；
- 增加训练样本数量（从 2K 到 32K）对生成质量影响极小；
- 即使 PPL（困惑度）持续下降，生成质量在一定步数后饱和甚至下降。
八、面对模糊任务：唯一答案不再适用
现实任务中，很多任务没有唯一答案：
- “写封感谢信”
- “概括一段评论”
这意味着评估方式不能再依赖 token-level 准确率，而应：
- 使用语义匹配指标（如 BERTScore）
- 多参考答案评估（multi-reference）
- 或采用人类偏好打分机制
九、从偏好学习人类意图：RLHF 登场
当任务无法标准化时，我们转向人类偏好：
“哪个回答更好？”
这就是 RLHF（Reinforcement Learning from Human Feedback）的核心：
- 指令微调
- 构建奖励模型（Reward Model）
- 用强化学习优化模型输出
目标不是“给出标准答案”，而是：让模型学会更被人类喜欢的回答方式。
十、奖励模型训练流程
人类评审比较模型输出 A 与 B，判断谁更好：
- 训练一个小型 LLM 学习这种偏好
- 成为“奖励模型”
- 用作 RL 优化的评分参考
这种方式已经广泛用于 ChatGPT、Claude 等系统中。
RLHF 三阶段训练流程
第一阶段：Instruction Tuning（指令微调）
🌟 目标：让模型初步学会“听懂指令”和“执行任务”
- 抽取 prompt，例如：Explain the moon landing to a 6 year old
- 人工示范回答：Some people went to the moon…
- 用监督学习微调模型（SFT）
第二阶段：Reward Model 构建（奖励模型）
🌟 目标：学会判断“哪个输出更好”
- 给定指令生成多个回答（A, B, C, D）
- 人类排序偏好，例如 D > C > A = B
- 训练小型 LLM 学习排序分值（Reward Predictor）
第三阶段：使用奖励模型进行强化学习（PPO）
🌟 目标：强化高偏好输出，抑制差回答
- 模型生成新回答
- 奖励模型打分
- 使用 PPO 更新模型策略
📝 注：RLHF 中的 PPO 与传统强化学习不同，不涉及环境交互，而是单步奖励优化。
数据从哪里来？——OpenAI 的三类数据采集方式
1. Plain（自由构造）
标注者自主编写任务与回答，强调任务多样性。
2. Few-shot 模式
标注者为每条任务设计多个示例输入-输出对。
3. User-based（用户用例驱动）
提取 API 用户真实需求，请标注者设计对应 prompt。
十一、Direct Preference Optimization（DPO）
DPO 是一种更简单的偏好优化方式：
- 无需训练奖励模型
- 直接通过“好 vs 差”的样本对优化模型
- 适合高效迭代
其核心思想是最大化：优质响应被采样的概率 > 劣质响应被采样的概率
具体形式如下：
- 输入：一组包含正负偏好样本的对比样本（(x, y+), (x, y-)）
- 损失函数优化目标为对比概率比 log σ(f(y+) - f(y−))，提升正例被选概率。
该方法在多个任务中展现出与 RLHF 相当甚至更优的性能，同时大大简化了训练流程。
十二、对齐是否可靠？模型仍可能脆弱
Lee 等人（2024）发现，RLHF 虽提升了人类偏好得分，但对齐结果具有脆弱性：
- 对输入微小变动敏感
- 面对未见指令时表现不稳
- 模型容易被攻击性 prompt 引导走偏
这意味着，RLHF 更多是在表面行为上控制模型，而非改变其内在知识结构与推理方式。
十三、有毒表示潜藏在模型内部
尽管 RLHF 能使输出更安全，但并不代表模型内部已移除这些内容：
- 模型隐藏层仍保留“毒性向量”——与敏感内容（如攻击性语言、偏见）相关的方向
- 在特定上下文或攻击性 prompt 下仍可能被激活
研究者尝试通过“表示空间干预”抑制这类方向，但如何彻底净化仍属开放问题。
十四、Prompt 优化：模型质量的决定性变量
优化 Prompt 是提升输出质量的重要手段：
- 向量化 Prompt（Prefix Tuning）：训练前缀向量，无需微调主模型参数
- 使用 RL 搜索 Prompt：在大空间中通过奖励信号搜索最优指令形式
- 系统级 Prompt 编排：通过 LangChain 等框架构建多步任务流程
十五、LangChain 与 Prompt 系统化
LangChain 让模型以链式方式完成复杂任务，例如：
- 步骤1：获取产品信息
- 步骤2：命名公司
- 步骤3：撰写口号
LangChain 还支持与检索模块、工具 API 等连接，构建 agent 系统。
十六、ChainForge：Prompt 批量实验工具
ChainForge 支持：
- 快速测试 Prompt 变体
- 自动记录输出结果
- 分析一致性与偏好性
研究者可通过该平台系统比较不同 prompt 的有效性与稳定性，提升 Prompt 工程科学性。
十七、总结：微调之外，我们学到了什么？
✅ Instruction Tuning：强化任务意识
✅ RLHF：融入人类偏好
✅ DPO：简化偏好优化流程
✅ Prompt 工程：提升交互体验与系统控制力
⚠️ 持续挑战：对齐脆弱性、毒性表示残留、Prompt 敏感性与泛化能力不足
🎯 未来方向：
- 更稳健的价值对齐方法
- 多模态偏好优化（图文、语音）
- 自动化 Prompt 构建与验证体系
- 更高层次的自主推理与意图理解
