发现使用大型语言模型的偏好优化算法

摘要

离线偏好优化是提高和控制大语言模型输出质量的关键方法。 通常，偏好优化被视为使用手工制作的凸损失函数的离线监督学习任务。 虽然这些方法基于理论见解，但它们本质上受到人类创造力的限制，因此可能的损失函数的巨大搜索空间仍在探索中。 我们通过执行 LLM 驱动的客观发现来解决这个问题，以自动发现新的最先进的偏好优化算法，而无需（专家）人工干预。 具体来说，我们迭代地促使大语言模型根据先前评估的性能指标提出并实现新的偏好优化损失函数。 这个过程导致了以前未知的高性能偏好优化算法的发现。 其中表现最好的我们称之为发现偏好优化 (DiscoPOP)，一种自适应混合逻辑损失和指数损失的新颖算法。 实验证明了 DiscoPOP 的最先进的性能及其成功转移到保留任务。

1简介

训练大型语言模型（大语言模型）通常涉及从在大型文本语料库上预先训练的模型开始，然后对其进行微调以符合人类的偏好。 预先训练的，甚至是经过指令微调的大语言模型，可能会产生有害、危险和不道德的完成（Carlini 等人，2021；Gehman 等人，2020）。 为了缓解这种情况并使大语言模型与人类价值观保持一致，我们通过偏好排序的完成数据来使用人类偏好对齐。 这种方法已成为行业标准，通过人类反馈强化学习 (RLHF) （Christiano 等人，2017，RLHF） 以及最近的直接偏好优化等离线偏好优化算法而得到普及(Rafailov 等人, 2023, DPO) 和序列似然校准(Zhao 等人, 2023, SLiC)，将问题视为监督学习目标。 文献中已经提出了许多用于离线偏好优化的算法，但哪种算法在任务中表现最好仍然是一个悬而未决的问题。 虽然可能不存在严格占主导地位的算法，但某些算法可能表现出总体改进的性能。 迄今为止，所有现有的最先进的偏好优化算法（Rafailov等人，2023；Azar等人，2023；Zhao等人，2023）都是由人类专家开发的。 尽管取得了进步，但这些解决方案本质上受到人类局限性的限制，包括创造力、独创性和专业知识。

在这项工作中，我们的目标是通过执行 LLM 驱动的发现来解决这些限制，以便自动生成新的最先进的偏好优化算法，而无需专家在开发过程中持续干预。 虽然之前的工作(Ma 等人, 2023; Yu 等人, 2023) 使用大语言模型来设计特定于环境的强化学习奖励函数，但我们发现了可以跨各种环境使用的通用目标函数偏好优化任务。 更具体地说，我们迭代地提示大语言模型提出新的偏好优化损失函数，并使用之前提出的损失函数及其任务绩效指标对其进行评估（在我们的例子中，MT-Bench 分数 （Zheng 等人，2024） )) 作为上下文示例。 执行此自动发现过程后，我们对高性能损失函数进行了分类，并引入了一种特别强大的函数，我们称之为发现偏好优化（DiscoPOP），这是一种新算法。 为了确保超越 MT-Bench 的稳健性，我们使用 AlapacaEval 2.0 （Dubois 等人，2024） 验证 DiscoPOP，结果表明 DPO $(11.23\%\to 13.21\%)$ 相对于 GPT-4 的胜率有所提高。 此外，在摘要和受控生成等单独的保留任务中，使用 DiscoPOP 训练的模型表现优于现有偏好优化算法或具有竞争力。

贡献： \raisebox{-0.9pt}{1}⃝ 我们提出了一个 LLM 驱动的目标发现管道来发现新颖的离线偏好优化算法 (部分 3)。 \raisebox{-0.9pt}{2}⃝ 我们发现了多个高性能偏好优化损失。 其中一个损失，我们称之为发现偏好优化（DiscoPOP），在多轮对话（AlpacaEval 2.0）、受控情绪生成（IMDb）和摘要（ TL;DR) 任务。 \raisebox{-0.9pt}{3}⃝ 我们对 DiscoPOP（逻辑损失和指数损失的加权和）进行了初步分析，并发现了令人惊讶的特征。 例如，DiscoPOP 是非凸的。

图1： 左边. LLM 驱动的目标函数发现的概念说明。 我们提示大语言模型输出离线偏好优化损失的新代码级实现${𝔼}_{(y_w,y_l,x)\sim 𝒟}\left[f\left(\beta \rho \right)\right]$作为策略(${\pi }_{\theta }$)和参考模型(${\pi }_{\text{ref}}$)的函数>) 选择 ($y_w$) 和拒绝 ($y_l$) 完成的可能性。 之后，我们运行内循环训练程序并在 MT-Bench 上评估生成的模型。 相应的性能被反馈到语言模型，我们通过它查询下一个候选。 正确的. 在 Alpaca Eval 上发现的目标函数的性能。

2 背景

偏好优化。 考虑预训练的语言模型策略 ${\pi }_{\theta }$ 和数据集 $𝒟={\{(x^i,y_w^i,y_l^i)\}}_{i=1}^N$，其中包含提示 $x$ 以及按偏好排序的补全 $y_w$ 和 $y_l$。 在此数据集中，人类评分者更喜欢 $y_w$ 而不是 $y_l$，表示为 $y_w\succ y_l$。 任务是将 ${\pi }_{\theta }$ 与这些偏好中隐含的人类价值观保持一致。 一般来说，这是通过人类反馈的强化学习（Christiano等人，2017，RLHF）来实现的，这种方法分两个阶段进行：首先是奖励建模阶段学习参数化奖励模型$r_{\varphi }$。 通过假设偏好的 Bradley-Terry 模型 （Bradley 和 Terry，1952），数据的概率可以表示为 $P(y_w\succ y_l)=\exp r_{\varphi }(y_w,x)/(\exp r_{\varphi }(y_w,x)+\exp r_{\varphi }(y_l,x))$，随后简单地优化 $\varphi$ 通过最大似然原理。 策略优化的第二阶段采用强化学习算法来根据学习到的奖励来训练语言模型。 通常，模型和预强化学习参考策略之间引入KL惩罚${\pi }_{ref}$ （Jaques等人，2019；Stiennon等人，2020） 防止过度优化，偏离原策略太远，导致最终目标：

$\underset{{\pi }_{\theta }}{\max }\underset{\text{reward maximization}}{\underbrace{{𝔼}_{y\sim {\pi }_{\theta },x\sim 𝒫}\left[r_{\varphi }(y,x)\right]}}-\beta \underset{\text{regularization}}{\underbrace{𝕂𝕃({\pi }_{\theta },{\pi }_{\text{ref}})}}.$ (1)

尽管在前沿模型（Anthropic，2023；Gemini-Team，2023）方面取得了成功，深度强化学习仍然存在许多实现（Engstrom等人，2019）和训练挑战（ Sutton，1984；Razin 等人，2023） 阻碍了它的采用。 为了简化整个过程，直接偏好优化 （Rafailov等人，2023，DPO）旨在放弃奖励建模和在线强化学习过程。 将 (1) 重写为 KL 项分解为：

$\underset{{\pi }_{\theta }}{\max }{𝔼}_{y\sim {\pi }_{\theta },x\sim 𝒫}\left[\underset{\text{reward}}{\underbrace{r_{\varphi }(y,x)}}+\underset{{\pi }_{ref}\text{regularization}}{\underbrace{\beta \log {\pi }_{ref}(y|x)}}\right]+\underset{\text{policy entropy}}{\underbrace{\beta \mathscr{H}({\pi }_{\theta })}},$ (2)

将问题表示为熵正则化 RL bandit 任务（Ziebart 等人，2008），其中存在已知的解析解：${\pi }^{\ast }(y|x)=Z{(x)}^{-1}{\pi }_{ref}(y|x)\exp \left({\beta }^{-1}{r}_{\varphi }(y,x)\right)$。 通过重新安排奖励，我们可以将任务表示为基于奖励差异的二元分类问题：

$\underset{{\pi }_{\theta }}{\min }{𝔼}_{(y_w,y_l,x)\sim 𝒟}\left[f\left(\underset{r_{\varphi }(y_w,x)-r_{\varphi }(y_l,x)}{\underbrace{\beta \cdot \left(\log {\displaystyle \frac{{\pi }_{\theta }(y_w|x)}{{\pi }_{\text{ref}}(y_w|x)}}-\log {\displaystyle \frac{{\pi }_{\theta }(y_l|x)}{{\pi }_{\text{ref}}(y_l|x)}}\right)}}\right)\right].$ (3)

这里，我们将对数比率差定义为$\rho =\log \frac{{\pi }_{\theta }(y_w|x)}{{\pi }_{\text{ref}}(y_w|x)}-\log \frac{{\pi }_{\theta }(y_l|x)}{{\pi }_{\text{ref}}(y_l|x)}$。 在 DPO 中，函数 $f=-\log \sigma$ 是根据 BT 模型假设得出的 sigmoid 函数的负对数。 然而，Tang 等人 (2024) 强调，更一般地，我们可以通过让 $f:ℝ\to ℝ$ 为任何标量损失函数来获得离线偏好优化算法的配方。 例如，设置$f(x)={\left(x-1\right)}^2$，平方损失函数（Rosasco等人，2004）产生IPO（Azar等人，2023），同时采用max-margin 启发的铰链损失（Boser 等人，1992；Cortes 和 Vapnik，1995） $f(x)=\max (0,1-x)$ 产生 SLiC （Zhao 等人，2023）。

算法发现的元优化。 元优化（优化优化过程）的目标是使用数据驱动的过程发现新颖的学习算法。 假设算法使用目标函数 $f^{\gamma }$ 来训练模型进行 $K$ 次迭代，其中 $\gamma$ 表示一组元参数。 元优化搜索最大化预期下游性能 ${\max }_{{}_{\gamma }}𝔼[\eta ({\pi }_K)|\text{train}(f^{\gamma })]$ 的目标，其中 $\eta$ 是下游性能指标。 与之前依赖于 $\gamma$ 预定义参数化的方法不同（例如神经网络 (Hospedales 等人, 2021) 或特定领域语言 (Alet 等人, 2020))，我们利用大语言模型直接在Python中提出代码级目标函数。 这种方法消除了对精心设计的搜索空间的需要，并利用大语言模型中嵌入的广泛知识进行灵活的选择和变异。

3 LLM 驱动的目标发现

选择合适的目标函数对于向网络注入能力至关重要。 在这里，我们详细介绍了大语言模型代码级目标函数建议所促进的发现过程：

初始上下文构建。 在最初的系统提示中，我们使用代码中给出的几个已建立的目标函数及其相应的性能来“烧录”大语言模型。 此外，我们还提供问题详细信息以及 JSON 字典形式的输出响应格式示例。

大语言模型查询、解析和输出验证。 在开始训练运行之前，我们查询大语言模型，解析响应 JSON，并运行一组单元测试（例如有效的输出形状）。 如果解析或单元测试失败，我们会在向大语言模型提供错误消息作为反馈后重新采样新的解决方案。

绩效评估。 然后根据其为预定义的下游验证任务优化模型的能力来评估所提出的目标函数。 我们将生成的性能指标称为$\eta$。

迭代细化。 通过使用提供的性能反馈，大语言模型迭代地完善其建议。 在每次迭代中，该模型都会综合一个新的候选损失函数，探索先前成功公式的变体和可能改进现有基准的全新公式。 该迭代过程重复指定的代数，或者直到观察到一组最佳损失函数时收敛。

我们在图1中总结了这个一般目标发现过程，并在算法1中显示。

算法1 LLM 驱动的目标发现

1:Initialize LLM with established loss functions and their performance in context.

2:repeat for each generation $i$

3: LLM proposes a new candidate objective function $f_i$

4: Run unit tests to check validity of the candidate and resample if needed.

5: Evaluate the objective function using the performance metric $\eta$

6: Update the LLM context with the performance data

7: LLM refines generation strategy based on the feedback

8:until convergence criteria are met or maximum generations are reached

小案例研究：发现监督分类损失函数。 将 CIFAR-10 数据集上的监督分类情况视为一个简单的起始示例。 我们使用 GPT-4 （OpenAI，2023） 提出的目标训练一个简单的 ResNet-18 5 个时期。 每次训练运行后，我们都会为大语言模型提供相应的验证精度，并查询下一个基于 PyTorch 的 (Paszke 等人, 2017) 候选目标函数。

图2： LLM 驱动的 CIFAR-10 分类目标发现。 左。 LLM 发现试验的表现。 这些提案在探索新的客观概念、调整组件和结合以前的见解之间交替进行。 对。 发现的最好的三个目标转移到不同的网络架构和更长的训练运行（100 轮）。

图 2描述了所提出的目标函数在整个发现过程中的性能。 不同的发现目标都优于标准交叉熵损失。 有趣的是，我们观察到 LLM 驱动的发现在几个不同的探索、微调和知识构成步骤之间交替：最初，大语言模型提出了一个标签平滑的交叉熵目标。 调整平滑温度后，它探索了平方误差损失变量，这提高了观察到的验证性能。 接下来，将两个概念上不同的目标结合起来，导致另一个显着的性能改进。 因此，大语言模型发现过程并不是对文献中先前概述的目标进行随机搜索，而是以互补的方式组合各种概念。 此外，发现的目标还可以推广到不同的架构和更长的训练运行。 在部分D.3中，我们表明这个发现过程对于采样温度的选择和提示/上下文构建是稳健的。

4发现离线偏好优化目标

在本节中，我们运行 LLM 驱动的发现来自动生成新的最先进的偏好优化算法。

4.1 发现任务-MT-Bench上的多轮对话

图3： 大语言模型目标发现跨代改进示例。 第一轮和第二轮分别显示在左侧和右侧。

在本节中，我们使用 LLM 驱动的发现方法来发现用于离线偏好优化的新目标函数 $f$，如部分 2中所定义。 和方程3。 具体来说，在每一代 $i$ 中，GPT-4 都会生成候选目标函数 $f_i$ 的 PyTorch (Paszke 等人, 2017) 代码。 每个目标函数将 $\{\log {\pi }_{\theta }(y_w|x),\log {\pi }_{\text{ref}}(y_w|x),\log {\pi }_{\theta }(y_l|x),\log {\pi }_{\text{ref}}(y_l|x)\}$ 的变量作为输入，并返回一个标量。 对于每个建议的目标 $f_i$，我们通过单元测试检查 $f_i$ 是否有效。

对于每个有效生成的目标函数$f_i$，我们微调大语言模型，然后收集性能评估分数。 具体来说，我们在“alignment-handbook”(Tunstall 等人，2023a) 存储库的基础上构建来微调我们的模型。 值得注意的是，此存储库在使用 DPO 时会重现“Zephyr 7B Gemma” Tunstall 和 Schmid (2024)； Tunstall 等人 (2023b)，在发布时，在 7B 模型的 MT-Bench 上取得了最先进的分数。 “Zephyr 7B Gemma”首先采用 gemma-7b (Gemma-Team 等人，2024) 并在“deita-10k-v0-sft”数据集 (Liu 等人，2023) 上对其进行微调) 生成“zephyr-7b-gemma-sft”。 然后在“Argilla DPO Mix 7K”。 在评估新的目标函数时，我们将最后一步中的 DPO 替换为生成的目标函数，并保持相同的超参数。 我们在图3中展示了示例运行，并在附录B<中提供了进一步的实验细节/t5>。

图4： MT-Bench 发现客观评估

一旦我们为所提出的目标函数 $f_i$ 训练了大语言模型，我们就可以在流行的多轮对话评估基准 MT-Bench 上评估该大语言模型（Zheng 等人，2024） 。 这是一个多轮开放式问题集，使用 GPT-4 来评估训练模型的回答质量，获得与流行的 Chatbot Arena （Zheng 等人，2024）的高度相关性。 我们在附录C中提供了进一步的评估详细信息。

4.2发现结果

在评估了大约 $100$ 个目标函数后，我们在 表 1 中列出了性能最佳的目标函数。 我们在这里将高级目标形式制成表格，并在附录E中提供完整的目标损失函数及其相关代码。此外，我们还在图4中绘制了表现最佳的子任务评估。

表1： 每个发现的目标函数 $f$ 的发现任务 MT-Bench 评估分数。 我们首先提供基线，然后用虚线分隔发现的目标函数。 我们在附录E中提供了每个发现的目标函数的详细信息。

Name	Full Name	Objective $f$ Function	Score (/ 10) $\uparrow$
DPO	Direct Preference Optimization	$\text{log}(1+\text{exp}(-\beta \rho ))$	7.888
DPO*	Official HuggingFace ‘zephyr-7b-gemma’ DPO model	$\text{log}(1+\text{exp}(-\beta \rho ))$	7.810
SLiC	Sequence Likelihood Calibration	$\text{ReLU}(1-\beta \rho )$	7.881
KTO	Pairwise Kahneman-Tversky Optimization	see (Ethayarajh et al., 2024)	7.603
DBAQL	Dynamic Blended Adaptive Quantile Loss	$\sigma (𝕍\text{ar}[\rho /\tau ])\cdot f_{dpo}(\beta \rho /0.9)+(1-\sigma (𝕍\text{ar}[\rho /\tau ]))\cdot f_{exp}(\beta \rho \cdot 0.9)$	7.978
AQL	Adaptive Quantile Loss	$q\cdot f_{dpo}(\beta \rho )+(1-q)\cdot f_{slic}(\beta \rho )$	7.953
PADLL	Performance Adaptive Decay Logistic Loss		7.941
AQFL	Adaptive Quantile Feedback Loss	$r\cdot f_{dpo}(\beta \rho )+(1-r)\cdot f_{slic}(\beta \rho )$	7.931
CELL	Combined Exponential + Logistic Loss	$0.5\cdot f_{dpo}(\beta \rho )+0.5\cdot f_{exp}(\beta \rho )$	7.925
LRML (DiscoPOP)	Log Ratio Modulated Loss	$(1-\sigma (\rho /\tau ))\cdot f_{dpo}(\beta \rho )+\sigma (\rho /\tau )\cdot f_{exp}(\beta \rho )$	7.916
PFL	Policy Focused Loss	$1/2\cdot f_{dpo}(\beta \rho )\cdot \mathrm{𝟙}[{\pi }_w>{\pi }_r]+2\cdot f_{slic}(\beta \rho )\cdot \mathrm{𝟙}[{\pi }_w\le {\pi }_r]$	7.900

5保留的评估

接下来，我们在保留任务上验证每个发现的目标函数（如 Table 1 所示）。 我们发现性能自适应衰减损失 (PADLL) 和对数比率调制损失 (LRML) 始终表现良好。 由于其非常规的特性和性能，我们将 LRML 称为我们发现的偏好优化算法，或 DiscoPOP 算法。

我们考虑三个不同的标准（Rafailov等人，2023）开放式文本生成任务，每个任务旨在评估微调的大语言模型策略${\pi }_{\theta }$的不同属性，其中每个大语言模型策略是使用我们在偏好数据集 $𝒟={\{(x^i,y_w^i,y_l^i)\}}_{i=1}^N$ 上发现的目标函数 $f$ 之一进行训练的。

5.1单轮对话-羊驼评估2.0

我们在 Alpaca Eval 2.0 上评估训练后的模型，(Li 等人, 2023; Dubois 等人, 2023, 2024)。 这是一个基于 LLM 的单轮对话自动评估，使用 GPT-4 来评估经过训练的大语言模型策略与底层 SFT 基础模型相比的胜率。 羊驼评估 2.0，已针对 20K 人类注释进行验证，旨在减少 Alpaca Eval 1.0 的长度偏差；其中使用长度控制 (LC) Alpaca Eval 显示与 Chatbot Area 的相关性为 0.98，使其成为与 Chatbot Arena 相关性最高的流行基准（Dubois 等人，2024）。 我们还在部分B.1中详细介绍了任务训练的详细信息。

表2： Alpaca Eval 2.0 - 进行单轮对话任务. 在 Alpaca Eval 2.0 任务上针对 GPT-4 或 SFT 基本模型评估的已发现目标函数 $f$ 的胜率。 一些发现的目标函数优于基线，其中最好的以粗体显示。 我们在附录C中详细介绍了评估和误差线。我们突出显示了与标准误差重叠的最佳分数。

Function	Win Rate (%) $\uparrow$	Win Rate - LC (%) $\uparrow$	Win Rate (%) $\uparrow$	Win Rate - LC (%) $\uparrow$
	vs. GPT-4		vs. SFT Checkpoint
DPO	$11.23\pm 0.97$	$12.81\pm 0.66$	$78.72\pm 1.26$	$63.34\pm 0.30$
DPO∗	$11.99\pm 1.00$	$\underset{¯}{14.73\pm 0.71}$	$75.75\pm 1.31$	$59.88\pm 0.41$
SLiC	$10.67\pm 0.94$	$13;16\pm 0.69$	$75.05\pm 1.34$	$59.67\pm 0.42$
KTO	$\underset{¯}{12.57\pm 1.00}$	$13.58\pm 0.67$	$\underset{¯}{78.81\pm 1.25}$	$62.76\pm 0.31$
DBAQL	$10.68\pm 0.92$	$11.41\pm 0.57$	$72.06\pm 1.42$	$54.40\pm 0.38$
AQL	$11.11\pm 0.96$	$13.63\pm 0.68$	$76.34\pm 1.30$	$60.94\pm 0.36$
PADLL	$\mathbf{14.07}\pm \mathbf{1.04}$	$\mathbf{14.89}\pm \mathbf{0.66}$	$\mathbf{81.10}\pm \mathbf{1.21}$	$\underset{¯}{64.14\pm 0.28}$
AQFL	$\mathbf{13.63}\pm \mathbf{1.05}$	$\mathbf{15.55}\pm \mathbf{0.71}$	$\mathbf{79.32}\pm \mathbf{1.23}$	$64.41\pm 0.34$
CELL	$10.27\pm 0.93$	$12.26\pm 0.61$	$71.75\pm 1.39$	$57.48\pm 0.34$
LRML	$\mathbf{13.21}\pm \mathbf{1.02}$	$\mathbf{14.78}\pm \mathbf{0.67}$	$\mathbf{79.27}\pm \mathbf{1.24}$	$\mathbf{65.18}\pm \mathbf{0.32}$
PFL	$8.15\pm 0.83$	$10.67\pm 0.57$	$68.27\pm 1.44$	$56.14\pm 0.43$

我们在表2中提供了 Alpaca Eval 2.0 结果。 作为参考策略，我们使用 GPT-4 进行绝对比较，使用 SFT 训练的模型进行相对比较。 我们观察到，发现的 LRML (DiscoPOP)、PADLL 和 AQFL 函数在正常和长度控制的获胜率上优于基线和其他发现的损失。 这些表现最好的损失之间的分数差异并不显着，除了 LC 相对于 SFT 参考模型的获胜率（其中 DiscoPOP 表现最好）。

5.2总结（TL；DR）

我们训练了一个大语言模型策略，根据 Reddit 上的论坛帖子$x$，生成要点的摘要$y$。 我们使用 10% 的 Reddit TL;DR 总结偏好数据集 （Völske 等人，2017） 在每个基线和发现的目标函数上对“zephyr-7b-gemma-sft”进行微调。 作为参考模型，我们再次使用“zephyr-7b-gemma-sft”。 有关训练管道的更多详细信息，请参见部分B.2。 为了评估摘要的质量，我们使用 Alpaca Eval 2.0 库，其中包含来自 TL;DR 数据集的 694 个测试样本的自定义评估数据集和自定义 GPT-4 注释器模板，如 Rafailov 等人中所述（2023）。 有关摘要评估的更多详细信息，请参阅部分C.3。

在表3中，PADLL损失和DPO损失在汇总任务的四个指标中的三个方面表现最好，彼此几乎没有差异。 此外，LRML - DiscoPOP 功能的得分略低于最佳表现者，特别是在长度控制的获胜率方面。 与单轮对话任务相比，AQFL 损失在保留评估中并未获得高分。

表3： TL;DR - 提出总结任务 使用 Alpaca Eval 2.0 计算针对测试集的子集（694 个样本）评估的摘要任务中各种偏好优化函数的获胜率。 基线输出是人类生成的偏好，以及 SFT 后的模型（详细信息请参阅附录C)。 请注意，由于值 ，LC 胜率中的标准误差已向下舍入。 我们用与最佳分数的标准误重叠的平均值来突出显示分数。

Function	Win Rate (%) $\uparrow$	Win Rate - LC (%) $\uparrow$	Win Rate (%) $\uparrow$	Win Rate - LC (%) $\uparrow$
	vs. Human Preference		vs. SFT Checkpoint
DPO	$\mathbf{88.27}\pm \mathbf{1.07}$	$\mathbf{82.82}\pm \mathbf{0.00}$	$\mathbf{54.38}\pm \mathbf{1.52}$	$54.64\pm 0.00$
SLiC	$83.02\pm 1.29$	$63.41\pm 0.00$	$53.03\pm 1.52$	$54.11\pm 0.00$
KTO	$85.34\pm 1.18$	$80.26\pm 0.00$	$51.15\pm 1.54$	$50.0\pm 0.00$
DBAQL	$84.71\pm 1.21$	$78.68\pm 0.00$	$52.55\pm 1.52$	$\underset{¯}{55.14\pm 0.00}$
AQL	$81.87\pm 1.32$	$68.89\pm 0.00$	$46.00\pm 1.54$	$50.0\pm 0.00$
PADLL	$\mathbf{88.54}\pm \mathbf{1.05}$	$76.13\pm 0.00$	$\mathbf{55.34}\pm \mathbf{1.52}$	$\mathbf{55.64}\pm \mathbf{0.00}$
AQFL	$85.03\pm 1.22$	$76.23\pm 0.00$	$49.56\pm 1.53$	$50.38\pm 0.00$
CELL	$86.33\pm 1.14$	$73.72\pm 0.00$	$50.35\pm 1.52$	$51.90\pm 0.00$
LRML	$\mathbf{87.63}\pm \mathbf{1.10}$	$\underset{¯}{81.88\pm 0.00}$	$\underset{¯}{53.46\pm 1.52}$	$55.10\pm 0.00$
PFL	$79.84\pm 1.35$	$69.23\pm 0.00$	$44.12\pm 1.52$	$44.57\pm 0.00$

5.3积极情绪生成 (IMDb)

在此任务中，我们训练一个大语言模型策略来生成具有积极情绪的电影评论完成 $y$，其中 $x$ 是来自 IMDb 数据集的电影评论开始时的提示（Maas等人，2011）。 我们从 GPT-2 (Radford 等人, 2019) 模型开始，该模型在 IMDb 数据集上进行了监督微调，然后我们使用基线和发现的目标损失函数进行偏好优化。 训练实现的详细信息可以在部分B.3中找到。 受 Rafailov 等人 (2023) 实验的启发，我们通过预先训练的情感分类器计算模型奖励，我们将其用作地面事实的代理，以及训练模型和参考模型。 部分 C.4 提供了有关此任务评估的更多详细信息。

我们在 图 5 中提供了 LRML 与 DPO 和 SLiC 比较的收敛 $\beta$ 值的模型结果，显示了模型针对参考模型的 KL 散度的奖励。 在图5(a)中，LRML训练的文本生成器在奖励和KL散度方面优于DPO模型，$\beta$ 值（0.025、0.05、0.1）。 在较高的 $\beta$ 值（0.5 和 1.0）下，两种方法都显示出 KL 散度增加和奖励较低的趋势，但通常 LRML 保持比 DPO 更高的奖励。 在图5(b)中，我们注意到LRML在$\beta \in \{0.05,0.1\}$方面略优于DPO、SLiC、AQFL和PADLL在奖励方面。 对于较大的 $\beta$ 值（0.5 和 1.0），LRML 显示出与其他目标函数类似的 KL 散度和奖励增加的趋势。 个别发现的损失与基线之间的更详细比较可以在附录图8中找到。

(a) DPO vs LRML

(b) Discovered vs Baseline Losses

图5： 针对 DPO 和 SLiC 目标函数的 LRML 收敛模型的预期奖励前沿与 KL 散度的关系。 奖励和 KL 散度值是使用不同种子的 10 代的平均值。 扫描在 $\beta \in \{0.025,0.05,0.1,0.25,0.5,1.0\}$ 上完成。 最佳点是左上角，在这里可以以与参考模型的最小偏差实现完美的奖励。

6DiscoPOP分析

我们在表1中列出了我们发现的所有目标，以及附录中的代码和数学表示> E。在本节中，我们现在分析对数比率调制损失，我们将其定义为 DiscoPOP 损失函数，因为它在所有评估任务中始终表现出色，并且我们提供了一些关于它如何优于现有状态的直观理解。 -最先进的目标。

6.1 对数比调制损失 (DiscoPOP)

对数比率调制损失是逻辑损失（如 DPO 中使用的）和指数损失的动态加权和。 每个权重是通过对数比差 ($\rho$) 的 sigmoid 计算来确定的。 从数学上讲，LRML 函数可以用温度参数 $\tau =0.05$ 描述如下：

$f_{lrml}(\beta \rho )$ $=(1-\sigma (\rho /\tau ))\cdot f_{dpo}(\beta \rho )+\sigma (\rho /\tau )\cdot f_{exp}(\beta \rho )$ (4)

$=(1-\sigma (\rho /\tau ))\cdot \text{log}(1+\text{exp}(-\beta \rho ))+\sigma (\rho /\tau )\cdot \text{exp}(-\beta \rho )$ (5)

如果对数比率之差为零($\rho =0)$，即模型策略 ${\pi }_{\theta }$ 等于参考策略 ${\pi }_{\text{ref}}$ 时的开始处，那么逻辑损失和指数损失之间的损失是相等的。 如果$\rho \to \mathrm{\infty }$，模型策略与参考策略不同并且选择的输出是首选，则指数项占主导地位。 这更加强调了更大的差异。 另一方面，如果$\rho \to -\mathrm{\infty }$，则模型策略与参考策略不同，并且拒绝的输出是首选的。 在这种情况下，逻辑损失可以很好地处理适度的差异。 基线目标损失以及 LRML、PADLL 和 AQFL 函数显示在图6中，包括它们的梯度。 令人惊讶的是，我们看到 DiscoPOP 函数在起始点 $\rho =0$ 处有一个非凸段和负梯度。 这对于引入课程或随机性可能有帮助。

(a) Discovered Objective Functions

(b) Gradients of the Discovered Objective Functions

图6： 图 6(a)：基线目标函数 DPO 和 SLiC，以及已发现的目标函数 LRML、AQFL 和 PADLL。 图 6(b)：目标梯度作为$\rho$的函数并固定$\beta =0.05$。

6.2 DiscoPOP 的局限性

虽然在单轮文本生成和文本摘要方面表现良好，但我们在 IMDb 实验中观察到，当 $\beta$ 太低 ($\beta \le 0.01$) 或太高 ($\beta \ge 2.5$)，可能是因为在发现过程中从未看到或使用过$\beta \ne 0.05$。

在图9和图10中附录中，我们针对 DPO 绘制了 $\beta \in \{0.01,0.025,0.05,0.1,0.25,0.5,1,2.5,5\}$ 的 LRML 目标函数。 值得注意的是，当 $\beta$ 较高时，DiscoPOP 目标函数采用 DPO 对数 sigmoid 损失的形式。 在 $\beta =0.01$ 的训练中，我们观察到 DiscoPOP 陷入了产生负面评论的困境。 我们假设这是因为损失被困在左侧的局部极小值，且对数比为负差。 在使用 $\beta \in 2.5,5.0$ 进行训练时，我们观察到模型在损失急剧增加后崩溃，随后损失值为 0 和 NaN 输出。 这可能是由于非凸部分的梯度较大，可以通过梯度裁剪来修改。

7相关工作

大型语言模型的演化和搜索。 大语言模型提供了一种快速、自动化的方式来为自然语言表述的问题创建多个候选解决方案（宋等人，2024）。 这使得它们成为推动基于群体的搜索过程（例如进化元发现）的强大工具。 最近的各种工作已将这种方法应用于编码问题（Romera-Paredes等人，2024），神经架构搜索（Chen等人，2024a），虚拟机器人设计设置（Lehman 等人，2023），和奖励函数（Ma 等人，2023；Yu 等人，2023）。 最后，最近大语言模型已证明能够充当进化策略黑盒优化的重组算子（Lange等人，2024）和质量多样性方法（Lim等）人，2024）。

机器学习的自动发现。 还有许多其他方法可以自动发现可推广的机器学习算法。 之前的一些作品使用遗传算法和手工制作的领域特定语言来探索 ML 函数的空间，用于强化学习算法（Co-Reyes 等人，2021）、好奇心算法（Alet 等）人, 2020), 和优化器(Chen 等人, 2024b)。 其他工作则使用神经网络参数化可转移的目标函数，并使用进化策略对其进行优化。 例如，Lu 等人 (2022)；杰克逊等人 (2024); Houthooft 等人 (2018); Alfano 等人 (2024) 发展策略优化目标，Metz 等人 (2022) 发展神经网络优化器，Lange 等人 (2023b, a) 发展黑盒优化器。

偏好优化算法。 虽然监督学习的减少使得 DPO 和替代方案更易于使用，但其他方法也在寻求简化 RL 步骤，包括使用 REINFORCE 的变体（Ahmadian 等人，2024；Gemma-Team 等人，2024） 以及通过对推理过程中各个步骤的偏好来提供更细粒度的反馈(Wu 等人, 2024)(Uesato 等人, 2022; Lightman 等人, 2023) t2> 或奖励重新分配（Chan 等人，2024）。 其他人则使用迭代离线训练，与策略模型中的采样相结合，并获得自己的偏好排名（Xu等人，2023），另一位法官大语言模型（Guo等人，2024），或神谕（Swamy 等人，2024）。

8结论

摘要。 在本文中，我们提出并使用 LLM 驱动的目标发现来生成新颖的离线偏好优化算法。 具体来说，我们能够发现高性能的偏好优化损失，这些损失在保留的评估任务中实现了出色的性能，其中最高的性能为最佳目标可能需要拥有的内容提供了新的见解，例如逻辑和指数的混合损失，并且可能是非凸的。

局限性和未来的工作。 我们当前的方法存在多种局限性。 首先，我们只触及了如何最有效地生成大语言模型目标建议的皮毛。 使用温度采样或从最差到最佳性能排序等技术的初步探索性实验并未产生显着的改进。 但人们可以想象利用有关训练运行的更多信息并自动调整指令提示模板。 例如。通过向视觉语言模型提供完整的学习曲线图（参见图12)或通过元元优化（Lu等人，2023）大语言模型提示。 其次，性能最高的损失在传统意义上重新调整了$\beta$的用途，使其影响功能行为以及模型相对于基础模型的KL惩罚。 这促使未来的工作研究不同的形式，形式中可能有多个浮点参数，每个浮点参数都可以单独调整。 尽管我们对这个单一参数进行了初步分析，并观察到导致模型训练不稳定的功能行为的一些实例，但进一步的多参数分析，重新制定目标，将有利于未来的工作。 最后，我们的工作使用闭源模型（GPT-4）来生成代码，这限制了可重复性并且运行成本高昂。 未来的工作可以使用生成的模型本身来生成代码，从而实现代码级别的自我改进。

更广泛的影响和道德考虑。 本文提出了一种由 LLM 驱动的发现上下文学习流程，用于生成性能更好的新型离线偏好优化算法。 然而，用户可能会滥用管道作为工具或训练大语言模型来产生不良、不道德或有害的输出。 此外，由于大语言模型的使用和大语言模型的训练，输出容易产生幻觉，促使大语言模型的所有输出始终对输出应用内容过滤器。 最后，这项工作朝着语言模型的代码级自我改进迈出了一小步，这可能会导致意想不到的行为。

致谢和资金披露

这项工作得到了 Microsoft AI for Good Research Lab 和 Microsoft Accelerate Foundation Models 学术研究计划授予的 Azure 赞助积分的支持。 训练所用的硬件由 GoodAI 赞助。 SH 由阿斯利康资助。 CF 由佳能医疗资助。 AJC 由 Microsoft Research 和 EPSRC ICASE 奖学金资助。 该代码也可以通过 https://github.com/samholt/DiscoPOP 访问。

附录

附录 ALLM 驱动的目标发现实施细节

A.1提示

我们使用以下系统提示来生成模型响应：

⬇

You are a machine learning researcher who is testing out different RLHF loss functions. When you respond, output a JSON where the first key ("thought") corresponds to your thought process when designing the next function. The second key ("name") corresponds to the name of your next function. Finally, the last key ("code") corresponds to the exact python code that you would like to try. Here is an example:

{

"thought": "Based on the previous outputs, I should try the direct preference optimization algorithm.",

"name": "dpo",

"code": "def sigmoid_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

losses = -F.logsigmoid(self.beta * logits)

return losses"

}

You are deeply familiar with binary classification losses from the literature. Be creative and reference prior literature when possible.

You must use the exact function interface used above. Feel free to define extra hyperparameters within your function as constants. Do not make them attributes of self.

Note that ‘self.beta = 0.05‘.

RLHF loss functions train on a dataset of pairs of preferred and rejected completions.

‘policy_chosen_logps‘ refers to the policy’s log probabilities of the preferred completion, and ‘policy_rejected_logps‘ refers to the policy’s log probabilities of the rejected completion.

‘reference_chosen_logps‘ and ‘reference_rejected_logps‘ refer to the same for the reference (base) model.

The user will then return to you a fitness that corresponds to the performance of the resulting model on a downstream task. Your goal is to maximize performance.

然后我们提供第一个用户提示，如下所示：

⬇

Here are some results we’ve obtained:

[

{

"code": "

def logistic_log_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

losses = -F.logsigmoid(self.beta * logits)

return losses

",

"fitness": 7.8875

},

{

"code": "

def hinge_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

losses = torch.relu(1 - self.beta * logits)

return losses

",

"fitness": 7.88125

},

{

"code": "

def ipo_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

losses = (logits - 1 / (2 * self.beta)) ** 2

return losses

",

"fitness": 7.84

},

{

"code": "

def kto_pair_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

chosen_KL = (policy_chosen_logps - reference_chosen_logps).mean().clamp(min=0)

rejected_KL = (policy_rejected_logps - reference_rejected_logps).mean().clamp(min=0)

chosen_logratios = policy_chosen_logps - reference_chosen_logps

rejected_logratios = policy_rejected_logps - reference_rejected_logps

# As described in the KTO report, the KL term for chosen (rejected) is estimated using the rejected (chosen) half.

losses = torch.cat(

(

1 - F.sigmoid(self.beta * (chosen_logratios - rejected_KL)),

1 - F.sigmoid(self.beta * (chosen_KL - rejected_logratios)),

),

0,

)

return losses

",

"fitness": 7.603125

}

]

Please generate the next one.

在测试生成的代码时，如果遇到错误，我们会提供以下提示，其中“error”是包含系统错误的文本：

⬇

Code not valid. Error:

{error}

Please generate the next one.

成功完成后，我们返回以下用户提示，其中“val”是 MT-Bench 分数：

⬇

Fitness: {val}.

Please generate the next one.

附录 B培训详情

B.1 发现任务-单轮对话

对于每个有效生成的目标函数$f_i$，我们将其用于大语言模型，然后收集性能评估分数。 具体来说，我们在训练和评估所有目标函数时遵循相同的过程，从“zephyr-7b-gemma-sft”的预训练监督微调（SFT）70亿gemma模型开始，这是一个70亿基本版本gemma [Gemma-Team 等人, 2024] 在“deita-10k-v0-sft”数据集上对模型进行监督微调[Liu 等人, 2023]。 从这个模型开始，我们在“Argilla DPO Mix 7K”的成对偏好数据集上对其进行训练；它尝试通过仅过滤来自多轮数据集、指令遵循数据集[Longpre等人，2023]的数据集以及多样化偏好数据集的高评价选择响应来创建高质量的偏好数据集涵盖诚实、诚实和乐于助人[Cui 等人, 2023]。 对于每次训练运行，我们使用固定的 $\beta =0.05$ 训练起始模型的所有参数。 除非明确说明，否则我们对所有训练运行使用相同的固定超参数。 具体来说，我们使用了 5e-7 的学习率、bfloat16 浮点格式、两个 epoch、每个设备的批量大小为 2、梯度累积步长为 8、余弦学习率调度程序和 AdamW 优化算法 [洛什奇洛夫和哈特，2017]。 我们使用流行的 TRL 转换器库 [vonwerra2022trl]，调整离线偏好优化目标函数来训练所有模型。 这些模型在 8 个 nvidia A100 GPU 上进行训练。 一次单独训练大约需要 30 分钟。 我们在图7中提供了发现的目标函数的训练和评估统计数据。

(a) Loss

(b) Accuracy

图7： DPO、SLiC、PADLL 和 LRML 的训练和评估统计。 这些损失不能直接相互比较，因为每个模型的计算方式不同。 有趣的是，评估结果与下游 MT-Bench 分数没有很强的相关性，因为 LRML 的准确度最差。

B.2 TL;DR 总结

为了确定所发现的目标函数是否也可以很好地推广到其他任务，我们使用它们来优先优化用于文本摘要的大语言模型。 具体来说，我们再次从“zephyr-7b-gemma-sft”的预训练监督微调 (SFT) 70 亿 gemma 模型开始，并在子样本上使用目标函数 $f_i$ 对其进行优化Reddit TL;DR 总结偏好数据集 [Völske 等人, 2017]。 更准确地说，我们使用数据集的前 10% 进行偏好优化，总计约 8'000 个训练样本。 在训练过程中，超参数与单轮对话任务中的超参数保持相同，如 B.1 小节中所述，不同之处在于大语言模型使用梯度累积步骤 16 来训练 4 个 nvidia A100 GPU。 一次单独训练大约需要 1.5 小时。

B.3 IMDb 正面文本生成

偏好优化的另一个流行的泛化任务[Rafailov 等人, 2023] 是根据 IMDb 情感数据集[Maas 等微调一个小型大语言模型来生成电影评论的正面文本。人，2011]。 作为起始模型，我们使用 GPT2 模型 [Radford 等人, 2019]，该模型在 IMDb 数据集上进行了监督微调。 随后，我们应用基线并发现目标函数$f_i$进行偏好优化。 大语言模型的目标是给出一个2-8个标记的简短提示，表明电影评论的开始，以产生积极的评论。 由于我们对 $\beta$ 对奖励和 KL 散度的影响感兴趣，因此我们在 $\beta \in \{0.01,0.025,0.05,0.1,0.25,0.5,1,2.5,5\}$ 范围内训练目标函数。 每个大语言模型都训练了3个epoch，使用AdamW优化器，初始学习率为5.0e-5，预热调度器为0.1，余弦学习率调度器。 这些模型在 4 个 nvidia A100 GPU 上进行训练，梯度累积步长为 8，每个设备的批量大小为 2。 训练时间约为 30 分钟。

附录C评估指标

C.1 MT 工作台

为了评估发现阶段发现的偏好优化损失函数的适应性，我们在 MT-Bench [Zheng 等人, 2024] 基准上评估训练好的大语言模型。 评估基准由来自不同学科的 80 个多轮高质量问题组成。 目标是评估大语言模型遵循指令并保持对话流畅的能力。 然后使用更大的大语言模型（在我们的例子中为 GPT-4）作为评判，以 0（最低）到 10（最高）的数字对答案的质量进行评分。 根据大语言模型第一轮答案（单轮）以及第一轮和第二轮（多轮）的质量给出分数。 最后，MT-Bench 得分是单圈和多圈得分的平均值。 为了生成和评估答案，我们使用了 FastChat 库及其标准采样和温度参数，由Zheng等人[2024]提供。

C.2 羊驼毛评估

目前，Alpaca Eval 2.0 [Li 等人, 2023, Dubois 等人, 2023, 2024]也是一个流行的评估大语言模型的基准。 这是一个基于 LLM 的单轮对话自动评估，使用更强大的大语言模型（这里是 GPT-4 Turbo）来评估经过训练的大语言模型策略完成的胜率，与 GPT-4 或底层 SFT 相比基础模型。 具体来说，Alpaca Eval 2.0已经针对20K人类注释进行了验证，旨在减少Alpaca Eval的长度偏差；其中使用长度控制 (LC) Alpaca Eval 显示与 Chatbot Arena 的相关性为 0.98，使其成为与 Chatbot Arena 相关性最高的流行基准[Dubois 等人，2024]。 Alpaca 评估数据集由来自不同数据集的 841 条高质量指令组成。 库 由 Dubois 等人 [2024] 提供，计算获胜率（经过训练的策略优于参考策略的百分比，首次在 Alpaca Eval 1.0 中引入） ，以及长度控制的获胜率，其中拟合线性模型以消除提示长度和指令难度的偏差。 为了生成答案，我们使用 0.7 的温度、采样和最大新 Token 数 1024。 此外，该库还提供平均值的标准误差，这表明了胜率和 LC 胜率的置信度。

C.3 TL;DR 总结胜率

为了评估所发现的目标函数泛化到摘要任务的效果，我们使用 Alpaca Eval 2.0 库，类似于 C.2 小节。 我们没有使用 Alpaca 评估数据集，而是创建了一个自定义数据集，其中包含来自 IMDb 偏好测试数据集的 694 个样本。 此外，我们更改了注释器大语言模型的提示，以适应Rafailov等人[2023]中描述的“总结GPT-4胜率提示（C）”。 (LC) 胜率是根据现有的人类选择的测试样本或 SFT 参考模型生成的摘要来计算的。 对于摘要生成，我们应用 0.7 的温度参数、采样和最多 256 个新 Token 。 而且，我们在“\n”词符之后停止总结，避免无意义的生成。 此外，由于我们无法计算长度控制获胜率的指令难度，因此我们从线性模型中省略了此项（这对指标影响很小）。 除了胜率之外，我们还提供标准误差作为置信度的衡量标准。

C.4 IMDb 奖励与 KL-Divergence

对于正向文本生成，与 MT-Bench、Alpaca Eval 2.0 和 TL;DR 评估相比，我们不需要大语言模型判断，因为我们采用预先训练的情感分类器 作为地面实况奖励记分器。 对于正向文本生成，大语言模型采用采样，最多 60 个新标记。 奖励和 KL 散度是经过训练的大语言模型 10 个不同代的平均值。

附录 D其他结果

D.1 预期奖励边界与 KL 分歧

(a) SLiC vs LRML

(b) SLiC vs LRML

(c) DPO vs PADLL

(d) SLiC vs PADLL

(e) DPO vs AQFL

(f) SLiC vs AQFL

图8： 基线函数和所有已发现函数收敛后的预期奖励前沿与 KL 散度。 奖励和 KL 散度值是使用不同种子的 10 代的平均值。 扫描在 $\beta \in \{0.025,0.05,0.1,0.25,0.5,1,\}$ 上完成。 最佳点是左上角，可以在与参考模型的偏差最小的情况下获得完美的奖励，以避免奖励黑客攻击。

D.2 不同$\beta$参数的损耗扫描

图9： $\beta \in \{0.01,0.025,0.05,0.1,0.25,0.5,1,2.5,5\}$ 上的 DPO 和 LRML 目标函数。

图10： $\beta \in \{0.01,0.025,0.05,0.1,0.25,0.5,1,2.5,5\}$ 上的 DPO 和 LRML 梯度函数。

D.3 发现大语言模型超参数的鲁棒性

图11： LLM 驱动的发现过程的稳健性。 左。 我们比较不同的采样温度$\{0.1,\mathrm{0.5.1.0}\}$。 中。 默认配置包括按时间顺序排列的所有客观提案和评估。 在这里，我们还探索仅使用未排序和按性能排序的顶级$K$性能目标。 对。 我们还调查是否使用“想法”作为上下文的一部分以及是否包含无效代码和错误消息可以提高性能。 CIFAR-10 目标（5 个时期）的发现过程对于这些设置来说是稳健的。 结果是 3 次独立运行的平均值。

D.4 用于目标发现的视觉语言模型

图12： 使用 CIFAR-10 的视觉语言模型 (VLM) 进行客观发现（20 个时期）。 我们提供了整个训练的训练和验证准确性图，作为 VLM (GPT-4-Turbo) 的上下文组件。

附录E发现的目标$f$函数

为了从数学上描述发现的损失，我们在这里定义了三个现有的偏好优化损失：

$$f_{dpo}(\beta \rho )=-\text{log}(\sigma (\beta \rho ))=-\text{log}(\frac{1}{1+\text{exp}(-\beta \rho )})=\text{log}(1+\text{exp}(-\beta \rho ))$$ (6)

$$f_{slic}(\beta \rho )=\text{ReLU}(1-\beta \rho )$$ (7)

$$f_{exp}(\beta \rho )=\text{exp}(-\beta \rho )$$ (8)

此外，我们还显示了大语言模型输出的已发现损失的代码。 此外，我们提供了每个的数学表示，我们已对其进行了调整，以与作为 KL 散度正则化参数的 $\beta$ 保持一致。 这是因为，LRML、DBAQL、AQL、AQFL 和 PFL 生成的代码不支持 $\beta$ 应该在任何进一步计算之前乘以对数比率的差值。 如果不坚持这一点，它可能会导致损失函数根据 KL 正则化项改变形状，因此模型无法收敛，或者可能崩溃。 在未来的工作中，我们应该限制探索大语言模型以支持 $\beta$ 与输入的乘法，然后再使用对数比率 $\rho$ 的差异进行任何其他计算。 由于元探索是使用一组 $\beta =0.05$ 完成的，并且我们希望与这种正则化规模保持一致，因此我们通过将中间计算中使用的 $\rho$ 值除以标量 $\tau =0.05$。

在部分5的IMDb实验中，我们根据所提供的数学表示，使用了已发现损失的修正代码版本，因为我们最感兴趣的是 KL 散度与模型奖励相比的影响。

E.1 DBAQL：动态混合自适应分位数损失

MT 基准分数：7.978

⬇

def dynamic_blended_adaptive_quantile_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

import torch.nn.functional as F

# Constants for the loss function

starting_quantile = 0.5

quantile_adapt_rate = 0.01

temperature = 0.9

dynamic_blend_rate = 1.0

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

logits_variability = logits.var()

# Calculate an adaptive quantile based on a moving target

moving_quantile = starting_quantile + quantile_adapt_rate * (torch.sigmoid(logits.mean()) - starting_quantile)

# Calculate dynamic blending coefficient based on logits variability

dynamic_blend_coeff = torch.sigmoid(logits_variability) * dynamic_blend_rate

# Prepare components of the blended loss

logistic_loss = -F.logsigmoid(self.beta * logits / temperature)

exp_loss = torch.exp(-self.beta * logits * temperature)

# Blend the losses dynamically

losses = dynamic_blend_coeff * logistic_loss + (1 - dynamic_blend_coeff) * exp_loss

return losses

$f_{dbaql}(\beta \rho )$ $=\sigma (𝕍\text{ar}[\rho /\tau ])\cdot f_{dpo}(\beta \rho /0.9)+(1-\sigma (𝕍\text{ar}[\rho /\tau ]))\cdot f_{exp}(\beta \rho \cdot 0.9)$ (9)

$\tau$ $=0.05$ (10)

E.2 AQL：自适应分位数损失

MT 基准分数：7.953

⬇

def adaptive_quantile_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

percentile = 0.5 # Start with the median quantile

moving_quantile_weight = 0.01 # Weight for updating the moving quantile

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

moving_quantile = percentile + moving_quantile_weight * (torch.sigmoid(logits.mean()) - percentile)

quantile_weights = torch.sigmoid(-self.beta * (logits - moving_quantile))

logistic_losses = -F.logsigmoid(self.beta * logits)

hinge_losses = torch.relu(1 - self.beta * logits)

# Blend the logistic and hinge losses based on the dynamic quantile weight

losses = quantile_weights * logistic_losses + (1 - quantile_weights) * hinge_losses

return losses

$f_{aql}(\beta \rho )$ $=q\cdot f_{dpo}(\beta \rho )+(1-q)\cdot f_{slic}(\beta \rho )$ (11)

$q$ $=\sigma (-\beta \cdot (\rho /\tau -m_2))$ (12)

$m_2$ $=0.5+0.01\cdot \left(𝔼[\sigma (\rho /\tau )]-0.5\right)$ (13)

$\tau$ $=0.05$ (14)

E.3 PADLL：性能自适应衰减逻辑损失

MT 基准分数：7.941

⬇

def performance_adaptive_decay_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

base_decay = 0.9

mismatch_penalty = 0.5 # Penalty decay for mismatched choices

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

mismatches = (logits < 0).float() # Identify mismatches

adaptive_decay = base_decay * (1 - mismatches * mismatch_penalty)

weighted_losses = adaptive_decay * -F.logsigmoid(self.beta * logits)

return weighted_losses

$f_{padll}(\beta \rho )$ $={\delta }_{\text{adpt}}\cdot f_{dpo}(\beta \rho )$ (15)

(16)

(17)

(18)

这个损失也可以改写为：

(19)

E.4 AQFL：自适应分位数反馈损失

MT 基准分数：7.931

⬇

def adaptive_quantile_feedback_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

import torch.nn.functional as F

quantile_update_rate = 0.05

distance_scale = 0.1

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

logits_std = logits.std()

adaptive_quantile = logits_std * torch.sigmoid(-logits).mean()

adaptive_quantile += quantile_update_rate * (torch.sigmoid(logits.mean()) - adaptive_quantile)

distance_from_quantile = (logits - adaptive_quantile).abs()

blend_rate = torch.sigmoid(distance_scale * distance_from_quantile)

logistic_losses = -F.logsigmoid(self.beta * logits)

hinge_losses = torch.relu(1 - self.beta * logits)

losses = blend_rate * logistic_losses + (1 - blend_rate) * hinge_losses

return losses

$f_{aqfl}(\beta \rho )$ $=r\cdot f_{dpo}(\beta \rho )+(1-r)\cdot f_{slic}(\beta \rho )$ (20)

$r$ $=\sigma (0.1\ast d)$ (21)

$d$ $=|\rho \tau -m_2|$ (22)

$m_2$ $=m_1+0.05\cdot \left(\sigma (𝔼[\rho /\tau ]-m_1)\right)$ (23)

$m_1$ $=𝔼[\sigma (-\rho /\tau )]\cdot \sqrt{𝕍\text{ar}[\rho /\tau ]}$ (24)

$\tau$ $=0.05$ (25)

E.5 CELL：组合指数 + 逻辑损失

MT 基准分数：7.925

⬇

def combined_exp_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

exp_losses = torch.exp(-self.beta * logits)

log_losses = -F.logsigmoid(self.beta * logits)

# Combine the losses with a tunable mixing coefficient

alpha = 0.5

losses = alpha * exp_losses + (1 - alpha) * log_losses

return losses

$f_{cell}(\beta \rho )$ $=0.5\cdot f_{dpo}(\beta \rho )+0.5\cdot f_{exp}(\beta \rho )$ (26)

E.6 LRML：对数比率调制损失

MT 基准分数：7.916

⬇

def log_ratio_modulated_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

# Modulate the mixing coefficient based on the log ratio magnitudes

log_ratio_modulation = torch.sigmoid(logits)

logistic_component = -F.logsigmoid(self.beta * logits)

exp_component = torch.exp(-self.beta * logits)

# Blend between logistic and exponential component based on log ratio modulation

losses = logistic_component * (1 - log_ratio_modulation) + exp_component * log_ratio_modulation

return losses

$f_{lrml}(\beta \rho )$ $=(1-\sigma (\rho /\tau ))\cdot f_{dpo}(\beta \rho )+\sigma (\rho /\tau )\cdot f_{exp}(-\beta \rho )$ (27)

$\tau$ $=0.05$ (28)

E.7 PFL：以政策为重点的损失

MT 基准分数：7.900

⬇

def policy_focused_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

focus_scale = 2.0 # Scale to emphasize or de-emphasize based on the correctness of predictions

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

is_correct = policy_chosen_logps > policy_rejected_logps

logistic_losses = -F.logsigmoid(logits)

hinge_losses = torch.relu(1 - logits)

focused_loss = torch.where(

is_correct,

logistic_losses / focus_scale, # De-emphasize correct predictions

hinge_losses * focus_scale # Emphasize incorrect predictions

)

return focused_loss

有趣的是，PFL 生成的函数代码在损失函数中不包含任何 beta 值。 我们已将其添加到 IMDb 实验的更正代码中，以及下面的数学表达式中

$f_{pfl}(\beta \rho )$ $=1/2\cdot f_{dpo}(\beta \rho )\cdot {\mathrm{𝟙}}_{[{\pi }_w>{\pi }_r]}+2\cdot f_{slic}(\beta \rho )\cdot {\mathrm{𝟙}}_{[{\pi }_w\le {\pi }_r]}$ (29)

附录F完整运行日志

我们在下面提供了完整的运行，并进行了格式化以便于阅读。

⬇

==========

thought

Since the logistic log loss currently has the highest fitness and is a direct optimization of the log likelihood ratio, let’s try a variation that includes a margin in the log likelihood ratios, inspired by the concept of a margin in SVM hinge loss. Introducing a margin could create a buffer that leads to more robust learning, as seen in SVMs.

name

logistic_margin_loss

code

def logistic_margin_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

margin = 0.1

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits_with_margin = pi_logratios - ref_logratios - margin

losses = -F.logsigmoid(self.beta * logits_with_margin)

return losses

==========

Fitness: 7.709375.

Please generate the next one.

==========

thought

The logistic margin loss outperformed the hinge and ipo losses but did not surpass the original logistic log loss. Perhaps introducing an adaptive margin based on the confidence in the predictions could yield improvements. The margin could be set proportional to the absolute difference between the policy’s and the reference’s log probabilities. This could potentially penalize incorrect confident predictions more heavily.

name

adaptive_margin_logistic_loss

code

def adaptive_margin_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

confidence_margin = torch.abs(policy_chosen_logps - policy_rejected_logps) - torch.abs(reference_chosen_logps - reference_rejected_logps)

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits_with_margin = pi_logratios - ref_logratios - confidence_margin

losses = -F.logsigmoid(self.beta * logits_with_margin)

return losses

==========

Fitness: 7.51875.

Please generate the next one.

==========

thought

The adaptive margin did not yield an improvement. It might have introduced too much variability or penalization. Let’s go back to a fixed structure but combine elements from both logistic loss and hinge loss, with the idea of encouraging a larger margin when the decision is correct, while still having a soft, probabilistic interpretation. This combined loss could retain the benefits of both worlds.

name

combined_logistic_hinge_loss

code

def combined_logistic_hinge_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

logistic_losses = -F.logsigmoid(self.beta * logits)

hinge_losses = torch.relu(1 - self.beta * logits)

combined_losses = logistic_losses + hinge_losses

return combined_losses

==========

Fitness: 7.7375.

Please generate the next one.

==========

thought

The combined logistic and hinge loss slightly outperformed the baseline logistic log loss but still did not achieve a significant improvement. Considering the nature of RLHF, where we prefer the model to be correct but not overly confident, we can explore a scaled version of the combined loss where the logistic part is emphasized more heavily, as it intrinsically accounts for confidence due to its probabilistic nature.

name

scaled_combined_logistic_hinge_loss

code

def scaled_combined_logistic_hinge_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

logistic_scale = 2.0 # Emphasize logistic loss more

hinge_scale = 0.5 # De-emphasize hinge loss

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

logistic_losses = logistic_scale * (-F.logsigmoid(self.beta * logits))

hinge_losses = hinge_scale * (torch.relu(1 - self.beta * logits))

combined_losses = logistic_losses + hinge_losses

return combined_losses

==========

Fitness: 7.85625.

Please generate the next one.

==========

thought

The scaled combined loss has shown an improvement, which indicates that balancing the contribution between the logistic and hinge components is beneficial. To further expand on this idea, we could try a form of annealing where early in training we use more of the logistic component, encouraging better probability estimation, and later on a switch gradually to the hinge component, emphasizing decisions with a margin. We’ll simulate this by using a weighting factor that changes linearly through the logits, giving lower logits (earlier, less confident predictions) a higher weight for the logistic loss.

name

annealed_combined_logistic_hinge_loss

code

def annealed_combined_logistic_hinge_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

logistic_scale = torch.sigmoid(-logits) # Higher weight for lower logits

hinge_scale = torch.sigmoid(logits) # Higher weight for higher logits

logistic_losses = logistic_scale * (-F.logsigmoid(self.beta * logits))

hinge_losses = hinge_scale * (torch.relu(1 - self.beta * logits))

combined_losses = logistic_losses + hinge_losses

return combined_losses

==========

Fitness: 7.66875.

Please generate the next one.

==========

thought

The annealed combined loss did not yield the expected improvement and performed worse than the scaled version. It’s possible the transition from logistic to hinge was too aggressive. For the next iteration, let’s return to a simpler concept and try a variation of the logistic loss with a squared term, similar to squared hinge loss, which might penalize incorrect predictions more smoothly than the linear term used in the standard logistic loss.

name

squared_logistic_loss

code

def squared_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

logistic_losses = -F.logsigmoid(self.beta * logits)

squared_losses = logistic_losses ** 2

return squared_losses

==========

Fitness: 7.60062893081761.

Please generate the next one.

==========

thought

The squared logistic loss did not perform as well as hoped, possibly due to excessive penalization of difficult samples. This time, let’s integrate a weighting mechanism that focuses on hard examples while using the logistic component. Inspired by the focal loss used in object detection, which gives more weight to harder, misclassified examples, we can apply a similar mechanism to emphasize learning from examples where the policy significantly differs from the reference.

name

focal_logistic_loss

code

def focal_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

gamma = 2.0 # Focusing parameter for modulating the loss

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

sigmoids = F.sigmoid(logits)

focal_weights = (1 - sigmoids) ** gamma # Focus more on harder examples

logistic_losses = -focal_weights * F.logsigmoid(self.beta * logits)

return logistic_losses

==========

Fitness: 7.840625.

Please generate the next one.

==========

thought

The focal logistic loss seems to have a moderate effect, indicating that prioritizing hard examples has some merit. To build on this, an alternative could be to apply temperature scaling to the logits before computing the logistic loss. Temperature scaling is often used in model calibration and can soften the probability distribution, which might work well with RLHF where overconfidence in predictions is undesirable.

name

temperature_scaled_logistic_loss

code

def temperature_scaled_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

temperature = 2.0 # Temperature > 1.0 softens the logits

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

tempered_logits = (pi_logratios - ref_logratios) / temperature

logistic_losses = -F.logsigmoid(self.beta * tempered_logits)

return logistic_losses

==========

Fitness: 7.86875.

Please generate the next one.

==========

thought

The temperature scaling seemed to have a positive impact, possibly due to better-calibrated probability estimates. To further explore this direction, we can try using label smoothing, which encourages the model not to be too confident about its predictions by preventing it from assigning full probability to a single class. It’s a technique commonly used in classification tasks and might be beneficial for RLHF.

name

label_smoothed_logistic_loss

code

def label_smoothed_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

label_smoothing = 0.1 # Epsilon for label smoothing

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

smooth_positive = 1.0 - label_smoothing

smooth_negative = label_smoothing / 2.0

targets = torch.ones_like(logits) * smooth_positive

losses = F.binary_cross_entropy_with_logits(

self.beta * logits, targets, reduction=’none’

) + smooth_negative * F.binary_cross_entropy_with_logits(

-self.beta * logits, torch.zeros_like(logits), reduction=’none’

)

return losses.mean()

==========

Code not valid. Error:

Expected loss shape to be per input (e.g. (10,)), got torch.Size([])

Please generate the next one.

==========

thought

Since the label smoothing implementation had an issue with the loss shape being incorrect, it seems the loss reduction was erroneously computed over all inputs instead of keeping the per-input format. Let’s adjust the implementation to make sure the loss retains the correct shape, by performing the mean operation separately for the positive and negative parts and then combining them, weighted appropriately.

name

corrected_label_smoothed_logistic_loss

code

def corrected_label_smoothed_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

label_smoothing = 0.1 # Epsilon for label smoothing

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

smooth_positive = 1.0 - label_smoothing

smooth_negative = label_smoothing / 2.0

positive_targets = torch.ones_like(logits) * smooth_positive

negative_targets = torch.zeros_like(logits) * smooth_negative

positive_losses = F.binary_cross_entropy_with_logits(

self.beta * logits, positive_targets, reduction=’none’

)

negative_losses = F.binary_cross_entropy_with_logits(

self.beta * logits, negative_targets, reduction=’none’

)

return (positive_losses + negative_losses) / 2

==========

Fitness: 6.425.

Please generate the next one.

==========

thought

The corrected label smoothing implementation didn’t work as intended and significantly decreased the fitness. It seems that label smoothing may not align well with the objective of RLHF. In light of this, let’s explore a different direction by introducing a decaying weight on older samples. The idea is to give higher importance to the more recent decisions made by the policy, under the assumption that they may be more aligned with the current state of the policy.

name

decaying_weights_logistic_loss

code

def decaying_weights_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

decay_rate = 0.9 # Weight decay for older samples

batch_size = policy_chosen_logps.size(0)

decay_weights = decay_rate ** torch.arange(batch_size - 1, -1, -1)

decay_weights = decay_weights.to(policy_chosen_logps.device)

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

losses = decay_weights * -F.logsigmoid(self.beta * logits)

return losses / decay_weights.sum() # Normalizing by sum of weights

==========

Fitness: 7.871875.

Please generate the next one.

==========

thought

While the decaying weights logistic loss provided a slight increase in fitness, it suggests that emphasizing more recent samples can be beneficial, but the approach might need some refinement. We could potentially improve this by making the decay adaptive based on the performance of each choice. The idea would be to give less weight to choices that are heavily mismatched with the reference, under the hypothesis that these could be outliers or errors.

name

performance_adaptive_decay_logistic_loss

code

def performance_adaptive_decay_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

base_decay = 0.9

mismatch_penalty = 0.5 # Penalty decay for mismatched choices

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

mismatches = (logits < 0).float() # Identify mismatches

adaptive_decay = base_decay * (1 - mismatches * mismatch_penalty)

weighted_losses = adaptive_decay * -F.logsigmoid(self.beta * logits)

return weighted_losses

==========

Fitness: 7.940625.

Please generate the next one.

==========

thought

The performance-adaptive decay approach provided a slight improvement in fitness, suggesting that dynamically adjusting the loss based on the correctness of predictions is a promising direction. To take this further, let’s create a hybrid approach which combines the performance-adaptive decay with a form of margin-based loss. This will aim to reduce the weights of not only the incorrect predictions but also those that are correct yet lack confidence, thereby promoting a more decisive policy.

name

hybrid_performance_margin_decay_logistic_loss

code

def hybrid_performance_margin_decay_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

base_decay = 0.9

margin = 0.2

mismatch_penalty = 0.5 # Penalty decay for mismatched choices

pi_logratios = policy_chosen_logps - policy_rejected_logps

ref_logratios = reference_chosen_logps - reference_rejected_logps

logits = pi_logratios - ref_logratios

margin_logits = logits - margin

mismatches = (margin_logits < 0).float() # Identify mismatches with margin

adaptive_decay = base_decay * (1 - mismatches * mismatch_penalty)

weighted_losses = adaptive_decay * -F.logsigmoid(self.beta * margin_logits)

return weighted_losses

==========

Fitness: 7.6125.

Please generate the next one.

==========

thought

The hybrid approach with the performance margin decay did not achieve the desired effectiveness. Introducing a margin may have been too punitive on correct predictions that are close to the boundary. To maintain the balance, let’s explore the idea of using a triplet-style loss, which is popular in embedding learning. By treating the chosen policy logs as the anchor and the reference chosen and rejected logs as positive and negative examples, respectively, we can encourage the chosen policy decisions to be closer to the reference chosen decisions and farther away from the reference rejected decisions.

name

triplet_style_logistic_loss

code

def triplet_style_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

alpha = 0.1 # Margin for the triplet loss

positive_distance = -F.logsigmoid(self.beta * (policy_chosen_logps - reference_chosen_logps))

negative_distance = -F.logsigmoid(self.beta * (policy_chosen_logps - reference_rejected_logps))

triplet_loss = F.relu(positive_distance - negative_distance + alpha)

return triplet_loss

==========

Code not valid. Error:

isnan(): argument ’input’ (position 1) must be Tensor, not NoneType

Please generate the next one.

==========

thought

It seems there was an error in the triplet-style loss function, which suggests that the computation may have been incorrect or incomplete. To correct this, we need to ensure that all intermediate steps yield non-empty tensors. Triplet loss can still be a useful approach as it inherently contains the concept of a margin while allowing for a dynamic balance between the chosen and rejected log probabilities. Let’s revise the code with added checks to prevent any NoneType issues and ensure that the loss is computed correctly.

name

revised_triplet_style_logistic_loss

code

def revised_triplet_style_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

alpha = 0.1 # Margin for the triplet loss

# Compute distances

positive_distance = policy_chosen_logps - reference_chosen_logps

negative_distance = policy_chosen_logps - reference_rejected_logps

# Calculate the triplet loss

triplet_loss = F.relu(positive_distance - negative_distance + alpha)

# Convert triplet loss into a logistic-style loss

logistic_triplet_loss = -F.logsigmoid(self.beta * triplet_loss)

return logistic_triplet_loss.mean() # Ensure the loss is averaged

==========

Code not valid. Error:

Expected loss shape to be per input (e.g. (10,)), got torch.Size([])

Please generate the next one.

==========

thought

The revised triplet-style logistic loss still encountered an issue, likely due to improper application of the operations and reduction at the end, which should be on a per-example basis. Triplet loss typically works with distances embedded in a space, and here we are dealing with log probabilities, so the direct application may not be correct. For the next attempt, let’s simplify: we’ll reinforce the relationship between the chosen and rejected log probabilities directly by using their difference, promoting a wider margin while still within the logistic loss framework.

name

reinforced_margin_logistic_loss

code

def reinforced_margin_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

margin = 0.1 # Margin introduced for reinforcing the difference

# Calculate log probability differences

chosen_difference = policy_chosen_logps - reference_chosen_logps

rejected_difference = policy_rejected_logps - reference_rejected_logps

# Apply the margin to differences

reinforced_chosen = F.relu(chosen_difference + margin)

reinforced_rejected = F.relu(rejected_difference - margin)

# Compute logistic losses with reinforced margins

losses = -F.logsigmoid(self.beta * reinforced_chosen) - F.logsigmoid(-self.beta * reinforced_rejected)

return losses.mean(0) # Maintain loss shape as per input

==========

Code not valid. Error:

Expected loss shape to be per input (e.g. (10,)), got torch.Size([])

Please generate the next one.

==========

thought

There was an error in the implementation of the reinforced margin logistic loss, likely because the mean operation was again placed incorrectly. The loss should be returned without any aggregation to maintain the per-input structure. Keeping this in mind, we need to correctly apply a margin to reinforce the separation between policy decisions and reference decisions.

name

corrected_reinforced_margin_logistic_loss

code

def corrected_reinforced_margin_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

margin = 0.1 # Margin for reinforcing the separation

# Calculate log probability differences

chosen_difference = policy_chosen_logps - reference_chosen_logps

rejected_difference = policy_rejected_logps - reference_rejected_logps

# Reinforce chosen logits by adding a margin

reinforced_chosen = chosen_difference + margin

# Reinforce rejected logits by subtracting a margin

reinforced_rejected = rejected_difference - margin

# Compute logistic losses for reinforced logits

chosen_losses = -F.logsigmoid(self.beta * reinforced_chosen)

rejected_losses = -F.logsigmoid(-self.beta * reinforced_rejected)

# Combine losses without applying mean

return chosen_losses + rejected_losses

==========

Fitness: 7.525.

Please generate the next one.

==========

thought

The approach of applying a static margin did not yield the expected improvements. It’s worth considering a different perspective; instead of focusing on introducing margins or applying decays, let’s attempt to directly optimize the policy’s certainty. Intuitively, the policy should be more confident when choosing actions similar to the reference and less confident otherwise. A potential approach would be to scale the logistic loss by the absolute difference between the policy’s choice and the reference choice, thus directly tying the loss to the policy’s certainty in its decision.

name

certainty_scaled_logistic_loss

code

def certainty_scaled_logistic_loss(

self,

policy_chosen_logps: torch.FloatTensor,

policy_rejected_logps: torch.FloatTensor,

reference_chosen_logps: torch.FloatTensor,

reference_rejected_logps: torch.FloatTensor,

) -> torch.FloatTensor:

# Compute the absolute certainty differences

chosen_certainty_diff = torch.abs(policy_chosen_logps - reference_chosen_logps)

rejected_certainty_diff = torch.abs(policy_rejected_logps - reference_rejected_logps)

# Calculate the mean certainty difference

mean_certainty_diff = (chosen_certainty_diff + rejected_certainty_diff) / 2

# Compute the logistic loss

losses = -F.logsigmoid(self.beta * (policy_chosen_logps - policy_rejected_logps))

# Scale the loss by the certainty difference

certainty_scaled_losses = losses * mean_certainty_diff

return certainty_scaled_losses

==========

Fitness: 7.33125.

Please generate the next one.