克服獎勵欺騙：Meta 發佈全新後訓練方式 CGPO 編程水平直升 5%，打破 RLHF 瓶頸

11月01日 22:31 新浪網 news-china-auto-hilite

CGPO 框架通過混合評審機制和約束優化器，有效解決了 RLHF 在多任務學習中的獎勵欺騙和多目標優化問題，顯著提升了語言模型在多任務環境中的表現。CGPO 的設計為未來多任務學習提供了新的優化路徑，有望進一步提升大型語言模型的效能和穩定性。

近年來，隨著大規模語言模型（LLMs）的發展，特別是通用大模型的應用場景愈發廣泛，RLHF 逐漸成為調整和優化語言模型輸出的主流方法。

儘管 RLHF 在處理複雜任務時表現出色，但其在多任務學習（MTL）中的表現卻受限於「獎勵欺騙」以及多目標優化中的矛盾問題。

傳統的 RLHF 方法依賴於線性組合的獎勵模型，不僅需要人工調參，且容易導致模型被某一任務的獎勵優化「誤導」。

最近 Meta GenAI 和 FAIR 團隊提出了一個全新的後訓練範式 ——Constrained Generative Policy Optimization （CGPO），通過引入「混合評審機制」（Mixture of Judges, MoJ）與高效的約束優化器，全面提升了 RLHF 在多任務環境中的表現。

論文鏈接：https://arxiv.org/ pdf/2409.20370

實驗結果表明，CGPO 能夠根據任務的不同需求靈活調整優化策略，並通過多任務梯度累積來實現模型的更新，使其在處理不同任務時均能達到最佳表現。

CGPO 框架：打破 RLHF 瓶頸的全新設計

CGPO 的核心在於它突破了傳統 RLHF 對多任務學習的局限性，尤其是在獎勵優化與任務目標衝突之間找到了新的平衡。通過混合評審機制，CGPO 能夠有效識別並消除「獎勵欺騙」行為，即模型在某些任務中過度優化特定的獎勵指標，進而導致其他任務的表現下降。

此外，CGPO 的約束優化器具備自動化調節能力，使其可以在不依賴人工經驗的情況下，找到不同任務間的最優平衡點。

CGPO 採用了基於規則和 LLM 的雙重評審機制。在規則評審中，預先定義的規則能夠有效檢測出模型生成結果是否符合任務需求，如解決數學問題的正確性、代碼生成的準確性等；而 LLM 評審則利用語言模型的內在判斷能力，檢測生成內容的事實性、響應的安全性等，這對於處理複雜對話和開放性問題尤為重要。

CGPO 的核心貢獻

CGPO 的設計從根本上解決了 RLHF 在多任務優化中的兩大難題：

1. 獎勵欺騙的防範

CGPO 通過混合評審機制，在模型生成的過程中持續監控獎勵欺騙行為，保證模型不會過度優化某一任務的獎勵，而犧牲其他任務的表現。不同於傳統 RLHF 方法，CGPO 能夠智能檢測出不合規的生成內容，並通過約束策略進行調整。

2. 極端多目標優化問題的解決

多任務學習通常涉及多個甚至衝突的目標，傳統的 RLHF 框架難以處理這些目標之間的平衡。而 CGPO 通過為每個任務單獨設定評審和優化器，確保各任務能夠獨立優化其目標，避免了不同任務目標之間的相互妥協。最終，CGPO 為多任務學習提供了更優的帕累托前沿解。

技術亮點：三大優化器與多評審機制

CGPO 引入了三種主要的 RLHF 約束優化器 ——Calibrated Regularized Policy Gradient（CRPG）、Constrained Regularized Reward Ranking Finetuning（CRRAFT）、Constrained Online DPO（CODPO），這些優化器不僅有效解決了 RLHF 中的多任務優化難題，還具備強大的擴展性，適用於各種規模的 LLM 訓練場景。

1. CRPG 優化器：通過結合獎勵建模與約束調整，確保模型生成高質量響應，同時防止偏離既定約束。實驗中，CRPG 在數學、編程等需要精確計算和邏輯推理的任務中表現尤為突出。
2. CRRAFT 優化器：通過獎勵排名策略，只保留滿足所有約束條件的生成結果，同時提升獎勵值。該優化器在真相問答、指令跟隨等任務中表現出色。
3. CODPO 優化器：通過直接偏好優化，使得高獎勵值且符合同束的生成結果得以保留，提升模型整體表現。

CGPO 處理多任務場景

在多任務環境下，CGPO 通過「獎勵模型 + 多任務判定器 (MoJs) + 優化器」的組合，為每個任務提供量身定製的對齊指導，從而更好地適應每個任務的獨特特性，增加實現最優對齊結果的可能性。CGPO 框架的核心包括兩個部分：多目標獎勵建模和多專家對齊。

1. 多目標獎勵建模

CGPO 的多目標獎勵建模不同於傳統 RLHF（在多目標場景中的方法。傳統方法通常為所有任務使用統一的線性組合獎勵模型，而 CGPO 則先將提示集 D 按照性質分類為不同、不重疊的子集，即 D = {D1, D2,…, DL}，每個子集 Di 對應一個特定任務，例如包含有害意圖的提示歸為「有害意圖」任務，而一般對話提示歸為「普通對話」任務。

然後，針對每個任務，選擇一個合適的獎勵模型進行訓練，以確保每個任務在優化過程中只關注自身的目標指標，避免其他任務目標的干擾。通過這種分類和獎勵模型定製，CGPO 能更好地排除不相關或相互矛盾的目標，從而提高在每個任務中達成最優結果的可能性。

2. 多專家對齊

多專家對齊是指為每個任務應用定製化的多任務判定器（MoJs）、獎勵模型和優化器設置。在每個任務生成樣本後，使用專門為該任務定製的判定器來篩選不符合標準的生成結果。判定器的選擇因任務而異，以反映各獎勵模型的具體缺點和對 LLM 的預期標準。

例如，在「普通對話」任務中，判定器會專注於評估回覆的真實性和拒答情況，從而提升模型的響應性和可靠性。

而在「推理」任務中，則使用基於規則的數學 / 編程判定器，以確保輸出的準確性。在有約束要求且需要更廣泛探索的任務（如指令跟隨、數學和編程）中，CGPO 會採用較寬鬆的 KL 閾值，並允許每個提示生成更多的樣本；而在不需要廣泛探索的任務（如普通對話）中，則使用更嚴格的 KL 閾值，並減少生成樣本的數量。

CGPO 在每次迭代中處理各個任務，基於任務特定的提示集、獎勵模型、判定器來計算更新的梯度，然後將所有任務的梯度累加，並結合預定義的任務權重更新模型參數。通過這種方式 CGPO 能在多任務、多約束的環境中高效地實現各任務之間的平衡與對齊，優化每個任務的獨特目標。

最終，CGPO 的設計使其能夠在多任務環境中更靈活地適應不同任務的需求，達成更高效的對齊和優化效果。

實驗驗證：CGPO 的顯著性能提升

在多項任務的測試中，CGPO 展現了顯著的性能優勢。具體來說，在通用聊天任務（AlpacaEval-2）、STEM 問題解答任務（Arena-Hard）、指令跟隨（IFEval）、數學與推理（MATH 和 GSM8K）、編程任務（HumanEval）、以及知識問答（ARC Challenge）中，CGPO 均大幅超越現有的 RLHF 算法如 PPO 和 DPO。

實驗數據顯示，CGPO 在 AlpacaEval-2 中相較 PPO 提升了 7.4%，在 Arena-Hard 中提升了 12.5%，而在數學推理任務（MATH 和 GSM8K）中，CGPO 表現穩定，分別提升了 2%，在人類評估（HumanEval）中的編程測試上則提升了 5%。

此外，PPO 在編程任務中表現出獎勵欺騙行為，導致模型在訓練後期出現嚴重退化，而 CGPO 通過約束優化有效避免了這一問題，確保模型表現穩定。