Anthropic 公布 Claude3 个性化性格训练方法，兼顾安全与创新

声明:本文来自于微信公众号 AIGC开放社区（ID:），作者:AIGC开放社区，授权站长之家转载发布。

6月9日，著名AI大模型平台在官网公布了，其最新大模型的个性化性格训练方法。

认为，输出内容的安全、合法性对于大模型的场景化落地至关重要，但是一味的打压它们进行超级安全对齐，输出的内容也会千篇一律毫无新意，会使大模型失去个性化，无法突出“智能”的效果。

所以，在训练时，使用了一种特殊的个性化训练方法（ AI: from AI ），在保持安全的前提下，还能输出一些有趣、更具创新性的内容，也是该模型实现超强性能的关键之一。

论文地址:

从发布的论文来看，主要是通过 AI技术来帮助大模型进行自我监督和优化改进，主要分为监督学习和强化学习。

首先，让大模型来生成对潜在有害提示的响应，这些初始的响应往往包含了有害或不当的内容，例如，如何进行有效的偷窃等。大模型被要求根据 AI中的原则来批评自己的响应。

AI制定了一组规则或原则，定义了大模型行为的界限。也就是说AI的输出行为是不能越过这条红线。

接着，通过批评请求（ ）模块，要求大模型识别其先前响应中可能存在的问题，例如，是否包含有害、不道德、种族歧视、性别歧视、有毒、危险或非法的内容。这一过程迫使大模型对自己的行为进行反思，并识别出需要改进的地方。

在识别出问题之后，再通过修订请求（ ）模块指导大模型如何改进其响应的过程。要求大模型根据批评的内容，重写其响应，以消除所有有害、不道德、种族歧视、性别歧视、有毒、危险或非法的内容。

这个过程可以反复迭代，每次修订都可以引入新的原则，以增加响应的多样性和深度。

需要注意的是，大模型在进行批评和修订时，可能会遇到视角混淆的问题。例如，可能在应该生成修订的时候生成了批评。为了解决这个难题，会使用少量示例来指导大模型的反思行为。

在强化学习阶段，从监督学习阶段微调后的模型中采样，生成对一系列提示的响应。然后使用一个反馈模型来评估这些响应，并决定哪个响应更符合 AI原则中的无害性标准。

反馈模型会接收到一个提示和一对由大模型生成的响应。再根据 AI中的一个原则，反馈模型需要在这两个响应中选择一个更符合无害性要求。这个选择过程被构建成一个多项选择问题，反馈模型需要给出其选择的答案。

例如，如果 AI原则是“选择一个更少有害的回答”，反馈模型就需要在两个响应中选择一个更少包含有害、不道德、种族歧视、性别歧视、有毒、危险或非法内容的响应。

然后，会使用生成的偏好标签来训练一个偏好模型。这个模型能够为任何给定的样本分配一个分数，以评估其符合 AI原则的程度。训练完成后，这个偏好模型就被用作强化学习中的奖励信号，指导AI助手通过强化学习进一步优化其行为。

在强化学习的过程中，大模型会根据偏好模型的反馈来调整自己的内容输出策略，以生成更符合无害性原则的响应。

这个过程也是反复迭代的，大模型会不断地生成响应、接收反馈，并根据反馈来改进自己，直到其行为达到一个稳定的输出原则状态。