我要投稿

Meta-Rewarding ：LLM对齐新技术

发布日期：2024-08-06 11:04:20 浏览次数： 2746

作者：NLP前沿

微信搜一搜，关注“NLP前沿”

好像还是没啥热点，继续发论文笔记叭。今天分享的是上周的热门论文，标题是：Meta-Rewarding Language Models: Self-Improving Alignment with LLM-as-a-Meta-Judge，由Meta，加州大学，纽约大学共同发的文章。

背景: 传统的LLMs偏好对齐依赖于人工标注数据。self-rewarding机制允许LLMs通过自我判断response来实现self-improving，而不依赖人工标注。论文的核心是提出了一个meta-rewarding的机制，克服传统方法快速过拟合的问题，可以大幅提升模型的指令遵循能力。

初始状态，默认有一个经过sft的模型，没有监督数据。想法是通过迭代的自我对弈过程从模型本身生成训练数据。在这个过程中，模型承担三个主要角色：作为actor，它对给定的prompt生成response；作为judge，它对自己的response进行评估和打分；作为meta-judge，它会比较自己判断的质量。

actor是最终需要的模型，但是训练的有效性取决于判断的准确性。随着判断准确性的提高，它将为actor的训练提供更高质量的反馈，最终训练出更好的actor。因此，meta-rewarding的目标是在训练过程中提高模型作为actor和judge的能力。meta-judge的作用是提供训练judge所需的反馈。

迭代训练方案：

actor数据创建：生成多个response。
judge数据创建：judge对每个response进行评估并生成评分。
meta-judge评估：meta-judge比较judge生成的评分，确定哪个更准确。

偏好对数据集：通过meta-judge的评估，创建用于训练actor和judge的偏好对数据集。这包括actor生成的response之间的偏好对和judge判断之间的偏好对。

有了偏好数据集之后，使用dpo训练。meta-judge的prompt ，wx翻译如下：

效果，Meta-Rewarding方法明显提升模型遵循指令的能力，例如，将Llama-3-8B-Instruct模型在AlpacaEval 2上的胜率从22.9%提高到39.4%。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-12-16

深度研究：我们如何构建水平最先进Agent

2025-12-16

原来ChatGPT的记忆是这么做的

2025-12-16

陈天桥丨系统的融化：从AI赋能到AI原生

2025-12-16

Google Disco：新型浏览器+Gemini3，信息不只是文字总结

2025-12-16

Claude MCP 和 Skills 的微妙关系

2025-12-16

会议软件Zoom也来搞AI了，称在AI最难考试上“击败”了Gemini 3

2025-12-16

深夜炸场！Manus 1.6 突然发布，史诗级进化暴力实测

2025-12-16

Prompt是与LLM对话的唯一方式：如何给大模型装上能指挥“手脚”的脑子？

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

从需求场景出发的AI应用项目落地方法论

2025-09-19

马斯克 Grok imagine 完整使用指南：工具、案例、提示词，看这一篇就够了！

2025-10-26

实测 Sora 2 ：AI视频的“ChatGPT时刻”来了？八大场景教你解锁各种玩法（附邀请码）

2025-10-02

RagFLow v0.20.X全面解析！双向MCP、Agentic智能体...这次真的起飞了！（附长图）

2025-09-29

一文速览OpenAI Dev Day 2025，下半年开始大洗牌

2025-10-07

Claude Sonnet4.5发布，号称世界最强模型，超越gpt-5-codex

2025-09-30

我挖到Gemini 3.0 Pro十大隐藏玩法，做网页已经落后N个版本了

2025-11-19

万字长文深度解析最新Deep Research技术：前沿架构、核心技术与未来展望

2025-10-20

深度体验TRAE SOLO 正式版，总结一点技巧(附完整可重现提示词和源码)

2025-11-13

Sora 2带来3个颠覆性创新，这个行业或将被彻底重构

2025-10-02

大家都在问

Prompt是与LLM对话的唯一方式：如何给大模型装上能指挥“手脚”的脑子？

2025-12-16

200k Tokens 的上下文真的够用吗？

2025-12-15

巨头翻身！谷歌全新AI浏览器Disco问世，PC版灵光？

2025-12-14

2025年，企业级AI的主战场在哪里？

2025-12-12

GPT 5.2的长上下文厉害了，但是写文真的强吗？

2025-12-12

涌现观点｜AI 开发的"App Store 时刻"：为什么你应该停止构建 Agent？

2025-12-11

Human In the Loop竟然可以是个MCP?

2025-12-09

AI会消灭搜索吗？

2025-12-08

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

应聘简历请发送至： [email protected]

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部