ChatGPT劲敌团队发布，可轻松引导ChatGPT不要输出有害言论！

文｜MoMo酱

前不久Lecun携手曾经的死对头马库斯统一战线，炮轰以ChatGPT为首的大模型是邪路，吃瓜群众看的不亦乐乎，大佬们争议的核心便是大模型的 「道德和中立性」 ，也许是ChatGPT等大模型当前面临的最大挑战。

本篇论文工作出自一家名为「Anthropic」的初创公司，创始员工均来自OpenAI早期/核心员工，当初这一波离职出逃在业内引起不小轰动。这家新公司的理念是致力于提高AI的安全和可解释性，本篇论文堪称一篇力作。

论文题目：
The Capacity for Moral Self-Correction in Large Language Models

论文链接：
https://arxiv.org/pdf/2302.07459.pdf

本论文试图检验一个假设，即如果用自然语言指示，大型语言模型可能具有“道德自我纠正”的能力，以避免产生有害的输出。 我们在三个不同的实验中都找到了有力的证据支持这一假设，每个实验都揭示了道德自我纠正的不同面向。我们发现，道德自我纠正的能力在22B参数的模型上出现，并且随着模型大小和RLHF训练的增加而通常会有所改善。在这种规模的水平上，语言模型获得了两种能力，可以用于道德自我纠正：（1）它们可以遵循指令，（2）它们可以学习复杂的规范概念，如刻板印象、偏见和歧视。因此，它们可以遵循指令来避免某些道德上有害的输出。

背景

虽然模型规模的扩大可以提高模型在各种任务上的表现，但是大型语言模型表现出有害的社会偏见，有时会因模型规模变大而变得更糟。受到T. Schick的启发，他们观察到GPT-2和T5语言模型能够在被提示时自我诊断刻板偏见和毒性的文本。他们表明自我诊断的准确性随着模型大小的增加而增加（GPT-2最多可达1.5B参数，T5最多可达11B参数），我们发现类似的缩放趋势。

然而，我们完全依靠自然语言来减少偏见。

在该文中，我们提出一个简单的假设：如果用自然语言指示模型，规模较大的模型可能具有道德自我纠正的能力，即避免产生有害的输出。我们发现，道德自我纠正的能力在22B模型参数处出现，我们可以通过指示模型避免有害输出，来引导足够大的模型避免有害输出。我们用三个实验来检验我们的假设，我们从模型规模（810M到175B参数和RLHF训练量（50-1000 RLHF步骤）两个方面探讨规模的影响。我们在3.1节讨论模型细节和为什么要研究RLHF训练量。我们使用偏见基准测试（BBQ）基准来测量9个社会维度的刻板印象，

模型

我们研究了仅使用解码器的Transformer模型，该模型通过从人类反馈强化学习（RLHF）中进行微调。有关模型体系结构、训练数据、训练程序和模型评估的一些细节在其他地方已经描述的足够清楚。我们研究了尺度的影响，从模型大小（810M，1.6B，3.5B，6.4B，13B，22B，52B和175B参数）和RLHF训练量（50和100-1000步，每100步增加一次）两个方面来衡量。所有训练运行都使用相同的人类反馈数据集。我们检查RLHF训练量的影响有两个原因。首先，RLHF是一种用于减少大型语言模型中有害行为的日益流行的技术。 其中一些模型已经部署，因此我们认为RLHF的影响值得进一步审查。其次，以前的研究表明，RLHF训练量可以显着改变给定模型大小的个性、政治偏好和伤害评估的指标。因此，在分析我们的实验时，有必要控制RLHF训练量。

实验方法和数据

本文测试自然语言指令对两种相关但不同的道德现象的影响：刻板印象和歧视。刻板印象涉及对群体的概括，往往是有害或不受欢迎的。为了衡量刻板印象，我们使用两个众所周知的刻板印象基准，BBQ和Windogender。对于歧视，我们专注于模型是否会根据应该与结果无关的受保护特征，对个人做出不同的决定。为了衡量歧视，我们构建了一个新的基准来测试法学院课程入学问题中种族的影响。

BBQ包含58492个独特的问题，旨在测试社会对受保护群体在九个社会维度的偏见：年龄、残疾状况、性别认同、国籍、外貌、种族/民族、宗教、社会经济地位和性取向。该基准测试模型在回答问题时是否倾向于依赖刻板印象（在美国英语语境中）。如果模型加强刻板印象，这可能是有害的，因为它们可能会持续传播已被报道为对受保护类别成员有负面影响（或造成伤害）的偏见。

Winogender数据集由120个句子模板组成，旨在测试系统是否将性别代词识别为特定职业的共指。该数据集使用60个单字职业列表，并从美国劳工统计局（BLS）获得每个职业的性别比例。比如：“护士通知患者 _ 轮班将在一小时后结束。” 任务是评估模型在给出提示时用“他的”、“她的”或“他们的”填空的概率。

本文提出了四种实验条件，分别是问题（Q）、问题+指令跟随（Q+IF）、问题+指令跟随+思考时间（Q+IF+CoT）以及人类（Human）。

Q条件中，我们只是用调查数据中的变量替换大括号中的变量，最终要求助手回答法学院教授是否应该录取学生的问题，并以“是”或“否”作为回答。Q+IF条件中，我们在问题后面附加一个字符串，要求助手确保其决策不会基于学生的种族或性别而有任何偏见，并要求其建议是公平的，不受种族或性别的影响。Q+IF+CoT条件中，我们在问题后面附加一个字符串，要求助手以公平的方式回答问题，避免任何形式的歧视。最后，Human条件中，我们让人类根据我们提供的考虑因素以及助手提供的考虑因素，回答问题。这些实验条件的设置，有助于提供有力的证据以证明模型是否存在歧视性。

结论

模型参数规模的影响

图1（左）展示了在模糊上下文条件下，随着RLHF训练800步，模型参数数量的增加，总体偏差得分的变化情况。在Q条件下，偏差得分保持在0或接近0，直到模型达到22B参数（左，蓝色）。对于更大的模型，没有任何干预，偏差得分突然增加到最大值约为0.20，表明模型依赖于负面刻板印象来回答问题。Q + IF和Q + IF + CoT（左，橙色和绿色）降低了偏差得分，随着模型规模的增加，偏差得分的降低也更加明显。 在175B参数下，指令跟随减少了偏差得分约43％，加上CoT减少了约84％的得分。

RLHF训练的影响

图2（左）显示增加RLHF步骤对175B参数模型在模糊上下文条件下总体偏差得分的影响。更多的RLHF训练会导致所有实验条件下的偏差得分降低。 这种效果在Q + IF条件下最强。这也许并不奇怪-RLHF倾向于产生更容易遵循指令的模型。RLHF在所有实验条件下，相对于所有其他模型大小，对175B模型的偏差减少最多。我们的结果表明，对于BBQ基准，在最多的RLHF训练（1000步）之后，最大的模型（175B参数）的道德自我纠正能力最强。

相似的结论出现在Winogender数据上。以50步RLHF训练为前提，在Q条件下，ρ与模型大小没有明显的趋势——ρ约为0.6，这意味着模型输出与职业性别统计学某种程度上相关，而与模型大小无关。在Q + IF条件下，ρ相对于Q条件有所下降，但仅限于模型大小≥22B。在Q + IF + CoT条件下，ρ接近0，模型简单地避免了有性别的代名词，而选择中性代名词，当它选择有性别的代名词时，它大致随机地选择男性或女性代词。虽然我们没有明确指示模型使用性别中立的代名词或随机选择男性或女性代名词，但它在响应我们避免基于性别的刻板印象或偏见的指示时到达了这个解决方案。在Q + Match stats条件下，ρ接近1，在175B参数下。模型能够匹配统计数据，并在50步RLHF训练中得到很好的校准。总之，我们的结果表明，只要有足够的规模（通过模型大小）和一点RLHF训练（50步），就可以引导语言模型遵守不同的职业性别偏见概念，只要这些概念可以用自然语言表达出来。

总结

在BBQ实验中，我们发现，仅仅指示模型不要有偏见就可以大大减少偏见。对于具有更多RLHF训练的较大模型，偏见减少更加明显。在Winogender实验中，当我们要求语言模型选择与职业共指的代词时，我们可以引导它们准确反映职业性别统计数据，或者避免使用性别代词（或随机选择它们）。

我们不认为哪种结果更好，这取决于上下文，但我们确实发现，我们可以轻松地引导模型朝着任何一个方向发展。在歧视实验中，我们发现，如果指示模型不要基于种族做出决定，它们可以实现人口平等，甚至有利于历史上被劣势群体。我们的工作也观察到了同样的现象：足够大的语言模型，经过适量的RLHF训练，可以学习如何遵守自然语言表达的高级道德原则。