PairRM - LLM质量提升的Pairwise奖励模型

PairRM项目介绍

PairRM（Pairwise Reward Model）是LLM-Blender项目的一部分，该项目旨在提高大语言模型（LLMs）的效率和评估质量。PairRM的一大特点是能够接收一条指令和一对输出候选者，输出每个候选者的评分以衡量它们的相对质量，从而帮助我们在本地环境中高效评估LLMs。

项目背景

PairRM所属的LLM-Blender项目于2023年由ACL组织发起，主要通过成对比较和生成融合的方式，以提升大语言模型的性能和准确性。这个项目的具体细节可以通过他们的论文深入了解。

工作原理

PairRM的工作原理与其他奖励模型不同，它是基于微软的DeBERTa-v3-large模型构建，通过对两个候选者进行并排比较，发现它们之间的微妙差异。这种比较方法可以更好地识别出文本质量的细微差别。

此外，PairRM还可以通过调用“best-of-n采样”，增强模型的解码效果，即从多个生成的输出中选择最优的一个。

使用示例

用例1：比较/排序输出候选者

PairRM可以接受指令和多个候选响应，通过评估这些候选响应，其可以帮助用户快速确定优秀的候选项。例如：

inputs = ["你好，你好吗！"]
candidates_texts = [["滚！", "你好！我很好，谢谢！", "再见！"]]
ranks = blender.rank(inputs, candidates_texts, return_scores=False, batch_size=1)

在这里，“你好！我很好，谢谢！” 将会被评为第一名。

用例2：最佳N选择（解码增强）

通过最佳N选择，用户可以从多个生成结果中选择一个质量最高的，从而提升生成文本的总体质量。使用过程简单，只需对推理代码做少许更改即可：

outputs = blender.best_of_n_generate(model, tokenizer, prompts, n=10)

用例3：强化学习辅助（RLHF）

PairRM还可帮助对齐指令微调的LLMs，已被证明与人类偏好的关联性较强，特别是在仅0.4B的极小模型规模上接近GPT-4的效率。

性能表现

PairRM在各种高质量和大规模数据集上进行了训练，展示出了与人类偏好高度相关的良好表现。在多项测试中，其表现接近GPT-4。

总结

PairRM项目展示了一种全新的优化大语言模型的方式，通过成对比较和生成融合，大大提升了模型的性能和输出质量。PairRM将继续在更加高效和有效的模型对齐中发挥重要作用。

如果需要了解更多关于PairRM的使用和详细技术信息，可以访问LLM-Blender项目的Github页面。