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： 2915

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

2026-03-21

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

AI Coding前端实践后的复盘总结

2026-03-21

OpenAI 首席科学家：Codex 只是雏形，我们要造的是「全自动 AI 研究员」

2026-03-21

谷歌Stitch「氛围设计」干崩Figma 8.8%股价：十年经验，败给巨头一次更新（附实测）

2026-03-21

为什么 CLI 比 MCP 更适合 LLM

2026-03-21

渐进式披露（Progressive Disclosure）：Agent 从 Demo 到企业级落地的 “救命架构”

2026-03-21

AI 编程工具怎么选？Codex 和 Claude Code 的本质区别

2026-03-21

Karpathy 最新播客：我得了 AI 精神病、App 将消失、Agent 将碾压实验室

联系获取

联系获取

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

Pencil：设计和写代码，以后就全让AI干了

2026-01-24

独家实录｜唐杰、杨植麟、林俊旸、姚顺雨...All Star 对话上，大家聊了啥？

2026-01-10

2026 开年 AI 工具推荐，让你新的一年效率起飞！（建议收藏）

2026-01-01

从0到1玩转Clawdbot：我花了40小时，把这些坑都踩完了

2026-01-26

终于！Gemini CLI支持Agent Skills，一键搬运Claude Code的“绝招”

2026-01-09

Claude Code Skills 国内实践全指南：从安装部署到高阶开发

2026-01-09

深度解析——为什么Claude code CEO Dario 如此反中？

2026-01-23

谷歌没想到：Antigravity 竟成了 Claude Code 的“免费充电宝”？

2025-12-30

不会封号的Claude Code使用方法！已稳定测试一个月，还能共享给团队。

2026-01-14

我装了 9 个 Skill，终于看懂了 Google Antigravity 的野心

2026-01-21

大家都在问

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

真实测评MiniMax M2.7，不吹不夸，它到底什么水平？

2026-03-20

深度分析：Agent Harness/框架到底有没有竞争壁垒？

2026-03-19

咨询 | OpenAI、Anthropic纷纷和咨询公司合作的背后，折射除了行业落地AI什么样的趋势？

2026-03-19

大伙都在养虾，MiniMax 带着新模型来偷偷上分了？

2026-03-19

Harness Engineering 为什么是 Agent 时代的“控制论”？

2026-03-18

阿里云新品发布：Agent ID Guard，谁来管理“小龙虾们”的身份安全？

2026-03-17

香港终于能直接用 Gemini 了，内地用户能用上吗？

2026-03-17

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 Skill 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 Palantir Glean Openclaw

应聘简历请发送至： ceo@53ai.com

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