SFT使用交叉熵损失函数，目标是调整参数使模型输出与标准答案一致，不能从整体把控output质量

RLHF（分为奖励模型训练、近端策略优化两个步骤）则是将output作为一个整体考虑，优化目标是使模型生成高质量回复

引发思考：

        使用排序数据集和DPO（Direct Preference Learning）直接偏好学习或其他替代方法（如RAILF、ReST等）来训练模型。这可以帮助模型生成更高质量的回复，而不是直接使用RLHF。

        为了减少幻觉（如拒绝回答），可以构造排序数据集（如good response为拒绝话术，bad response是没拒绝的胡乱回答）进行RLHF。这种方法可以帮助模型学习在拒绝回答时如何更好地处理情况。

奖励模型训练：奖励模型通常也采用基于 Transformer 架构的预训练语言模型。在奖励模型中，移除最后一个
非嵌入层，并在最终的 Transformer 层上叠加了一个额外的线性层。无论输入的是何种文本，奖励
模型都能为文本序列中的最后一个标记分配一个标量奖励值，样本质量越高，奖励值越大。

在RLHF中（比如MOSS-RLHF）是使用奖励模型来初始化评论家模型（critic model）和奖励模型（reward model），评论家模型也使用奖励模型初始化，便于在早期提供较准确的状态值估计；但是注意PPO会对策略模型、评论家模型训练并更新；奖励模型、参考模型不参与训练。

异策略：固定一个演员和环境交互（不需要更新），将交互得到的轨迹交给另一个负责学习的演员训练。PPO就是策略梯度的异策略版本。通过重要性采样（这里使用KL散度）进行策略梯度的更新。PPO解决了传统策略梯度方法的缺点：高方差、低数据效率、易发散等问题。

PPO-clip算法通过引入裁剪机制来限制策略更新的幅度，使得策略更新更加稳定

强化学习基础知识

1、强化学习框架的六要素

强化学习（RL）是研究agent智能体和环境交互的问题，目标是使agent在复杂而不确定的环境中最大化奖励值。

        智能体（Agent）：强化学习的主体也就是作出决定的“大脑”；
        环境（Environment）：智能体所在的环境，智能体交互的对象；
        行动（Action）：由智能体做出的行动；
        奖励（Reward）：智能体作出行动后，该行动带来的奖励；
        状态（State）：智能体自身当前所处的状态；
        目标（Objective）：指智能体希望达成的目标。

串起6要素：一个在不断变化的【环境】中的【智能体】，为了达成某个【目标】，需要不断【行动】，行动给予反馈即【奖励】，智能体对这些奖励进行学习，改变自己所处的【状态】，再进行下一步行动，即持续这个【行动-奖励-更新状态】的过程，直到达到目标。

策略与价值：

• agent在尝试各种行为时，就是在学习一个策略policy（一套指导agent在特定状态下行动的规则）
• agent会估计价值value，即预测未来采取某个行为后所能带来的奖励

任何一个有智力的个体，它的学习过程都遵循强化学习所描述的原理。比如说，婴儿学走路就是通过与环境交互，不断从失败中学习，来改进自己的下一步的动作才最终成功的。再比如说，在机器人领域，一个智能机器人控制机械臂来完成一个指定的任务，或者协调全身的动作来学习跑步，本质上都符合强化学习的过程。

奖励模型（Reward Model）和评论模型（Critic Model）

奖励模型（Reward Model）：奖励模型是强化学习中一个基本元素，它定义了智能体执行特定动作后将得到的奖励。换句话说，奖励模型为智能体在其环境中执行的每个动作提供奖励（正面）或惩罚（负面）。这个模型帮助智能体理解哪些动作是有利的，哪些不是，因此，智能体尝试通过最大化获得的总奖励来找到最优策略。

评论模型（Critic Model）：评论模型是一种基于值迭代的方法，它在每个状态或动作上评估（或者"评论"）期望的未来奖励。评论者用来估计一个动作或状态的长期价值，通常在演员-评论者模型（Actor-Critic Models）中使用，演员选择动作，评论者评估动作。

两者的主要区别在于，奖励模型直接反映了每个动作的即时反馈，而评论模型是对未来奖励的一个预测或估计，关注的是长期价值，通常基于数学期望来进行评估。

RLHF对齐

1. 训练奖励模型和RL

用奖励模型训练SFT模型，生成模型使用奖励或惩罚来更新策略，以便生成更高质量、符合人类偏好的文本。

	奖励模型	RL强化学习
作用	（1）学习人类兴趣偏好，训练奖励模型。由于需要学习到偏好答案，训练语料中含有response_rejected不符合问题的答案。 （2）奖励模型能够在RL强化学习阶段对多个答案进行打分排序。	根据奖励模型，训练之前的sft微调模型，RL强化学习阶段可以复用sft的数据集
训练语料	{‘question’: ‘土源性线虫感染的多发地区是哪里？’, ‘response_chosen’: ‘苏北地区；贵州省剑河县；西南贫困地区；桂东；江西省鄱阳湖区；江西省’, ‘response_rejected’: ‘在热带和亚热带地区的农村。’},	根据奖励模型，训练之前的sft微调模型，RL强化学习阶段可以复用sft的数据集

RLHF（reinforcement learning from human feedback）

分为三个步骤：

• step1 我做你看：有监督学习，从训练集中挑出一批prompt，人工对prompt写答案。其实就是构造sft数据集进行微调。
• step2 你做我看：奖励模型训练，这次不人工写答案了，而是让GPT或其他大模型给出几个候选答案，人工对其质量排序，Reward model学习一个打分器；这个让机器学习人类偏好的过程就是【对齐】，但可能会导致胡说八道，可以通过KL Divergence等方法解决。
•  
• 

• step3 自学成才：PPO训练，利用第二阶段的奖励模型RM计算奖励分数，同时使用PPO（近端策略优化）更新第一步训练得到的sft模型，最大优化该目标函数：

常见的公开偏好数据集

源自《Llama 2: Open Foundation and Fine-Tuned Chat Models》Table 6：

PPO近端策略优化

PPO思想：保证策略改进同时，通过一些约束来控制策略更新的幅度；在每次迭代中，通过采样多个轨迹数据来更新策略：

• 使用当前策略对环境交互，收集多个轨迹数据
• 利用第一步的轨迹数据计算当前策略和旧策略之间的KL散度，通过控制KL散度大小来限制策略更新的幅度
• 使用优化器对策略进行更新，使其更加接近当前的样本策略

        

近端策略优化PPO涉及到四个模型：

（1）策略模型（Policy Model），生成模型回复。
（2）奖励模型（Reward Model），输出奖励分数来评估回复质量的好坏。
（3）评论模型（Critic Model/value model），来预测回复的好坏，可以在训练过程中实时调整模型，选择对未来累积收益最大的行为。
（4）参考模型（Reference Model）提供了一个 SFT 模型的备份，帮助模型不会出现过于极端的变化。

近端策略优化PPO的实施流程如下：   

环境采样：策略模型基于给定输入生成一系列的回复，奖励模型则对这些回复进行打分获得奖励。

优势估计：利用评论模型预测生成回复的未来累积奖励，并借助广义优势估计（Generalized Advantage Estimation，GAE）算法来估计优势函数，能够有助于更准确地评估每次行动的好处。

GAE：基于优势函数加权估计的GAE可以减少策略梯度估计方差

优化调整：使用优势函数来优化和调整策略模型，同时利用参考模型确保更新的策略不会有太大的变化，从而维持模型的稳定性。

相关强化学习概念对应：

• Policy：现有LLM接受输入，进行输出的过程。
• State：当前生成的文本序列。
• Action Space：即vocab，也就是从vocab中选取一个作为本次生成的token。

KL散度（Kullback-Leibler Divergence），可以衡量两个概率分布之间的差异程度。在 PPO 算法中，KL 散度（Kullback-Leibler Divergence）的计算公式如下：

其中，π_old 表示旧的策略，π_new 表示当前的样本策略。KL 散度的含义是用 π_old 的分布对 π_new 的分布进行加权，然后计算两个分布之间的差异程度。具体来说，KL 散度的计算方法是首先计算 π_old(i) / π_new(i) 的比值，然后对其取对数并乘以 π_old(i) 来进行加权。最后将所有加权后的结果相加，即可得到 KL 散度的值。这里的KL散度值是一个【惩罚项】，即经过RL训练后模型和SFT后模型的KL散度（繁殖两个模型偏差太多，导致模型效果下降，RLHF的主要目的是alignment）。

注意：KL 散度是一个非对称的度量，即 KL(π_old || π_new) 与 KL(π_new || π_old) 的值可能不相等。在 PPO 算法中，我们通常使用 KL(π_old || π_new) 来控制策略更新的幅度，因为 KL(π_old || π_new) 的值通常比 KL(π_new || π_old) 更容易控制，并且更能够反映出策略改变的方向。

DPO、PPO 和 BPO 都是用于训练强化学习代理的算法，但它们在算法原理和实现上有一些不同之处。

1. DPO（Direct Policy Optimization）：DPO 是一种直接策略优化方法，它通过直接优化策略函数来提高代理的性能。与值函数（价值函数）相比，DPO 不需要估计状态值或状态动作值，而是直接优化策略函数来最大化长期累积奖励。DPO 可能包括各种方法，如 REINFORCE 算法、TRPO（Trust Region Policy Optimization）等。

2. PPO（Proximal Policy Optimization）：PPO 也是一种策略优化方法，它专注于近端策略优化。PPO 通过限制每次策略更新的大小来确保稳定性和收敛性，这通常通过一种叫做“近端策略裁剪”的方法来实现。PPO 在训练过程中不需要使用价值函数，而是直接优化策略函数。PPO 的设计目标是简化和提高算法的稳定性。

3. BPO（Batch Policy Optimization）：BPO 是一种批量策略优化方法，它使用离线收集的数据批次进行策略更新。与在线方法不同，BPO 不需要与环境交互来收集数据，而是使用事先收集的大量数据进行策略更新。BPO 可以更有效地利用离线数据，但也面临着样本效率和数据偏差等挑战。