Aligning Large Language Models with Human: A Survey

本文也是LLM相关的综述文章，针对《Aligning Large Language Models with Human: A Survey》的翻译。

摘要

在大量文本语料库上训练的大型语言模型（LLM）已成为一系列自然语言处理（NLP）任务的领先解决方案。尽管这些模型具有显著的性能，但它们容易受到某些限制，如误解人类指令、生成潜在的偏见内容或事实上不正确（产生幻觉）的信息。因此，将LLM与人类期望相结合已成为研究界关注的一个活跃领域。本调查全面概述了这些对齐技术，包括以下方面。（1） 数据收集：有效收集LLM对齐的高质量指令的方法，包括使用NLP基准、人工注释和利用强大的LLM。（2） 训练方法：详细审查LLM调整所采用的主流训练方法。我们的探索包括监督微调，在线和离线人类偏好训练，以及参数有效的训练机制。（3） 模型评估：评估这些与人类一致的LLM有效性的方法，为其评估提供了多方面的方法。最后，我们整理和提炼了我们的发现，为该领域未来的几个有前景的研究途径提供了线索。因此，对于任何致力于理解和推进LLM调整以更好地适应以人为本的任务和期望的人来说，这项调查都是一项宝贵的资源。收集最新论文的相关GitHub链接可在https://github.com/GaryYufei/AlignLLMHhumanSurvey。

1 引言

2 对齐数据收集

2.1 来自人类的指令

2.1.1 NLP基准

2.1.2 人工构造指令

2.2 来自强大LLM的指令

2.2.1 自指令

2.2.2 多轮指令

2.2.3 多语言指令

2.3 指令数据管理

3 对齐训练

3.1 在线人类偏好训练

3.2 离线人类偏好训练

3.2.1 基于排序的方法

3.2.2 基于语言的方法

3.3 参数有效训练

4 对齐评估

4.1 评估基准

4.1.1 封闭式基准

4.1.2 开放式基准

4.2 评价范式

4.2.1 基于人类的评估

4.2.2 基于LLM的评估

5 挑战与未来方向

LLM对齐的发展仍处于初级阶段，因此还有很大的改进空间。在本节中，我们在表1中总结了将LLM与人类相结合的现有重要研究工作。下面，我们将讨论其中的一些挑战以及相应的未来研究方向。

6 结论

本次综述对LLM对齐技术的最新进展进行了最新综述。我们将这些研究工作总结为对齐指令收集、对齐训练和对齐评估。最后，我们指出了LLM对齐的几个有前景的未来方向。我们希望这项调查能够提供有见地的视角，并激励进一步研究如何改善LLM的一致性。