本研究提出了一种
基于辩论的弱监督对齐强模型方法
，探索了结合 scalable oversight 和 weak-to-strong generalization 解决超级对齐问题的新范式。
论文标题：
Debate Helps Weak-to-Strong Generalization
论文作者：
收录会议：
AAAI 2025 (Special Track on AI Alignment, Oral)
论文链接：
https://arxiv.org/abs/2501.13124
背景
目前 AI 对齐技术依赖于人类的标注数据，譬如用于 supervised finetuning 的 human demonstrations，亦或是用于 RLHF 和 DPO 的 human preferences。
未来超人模型（superhuman models）在一些领域会超越人类的能力，因此人类在对齐超人模型时只能提供弱监督信号。这可预期的人类监督信号的缺陷会影响未来 AI 系统的安全性。
Scalable oversight
[1]
和 weak-to-strong generalization
[2]
是解决上述超级对齐问题的两类方法
[3]
。Scalable oversight 试图提高人类的提供监督信号的能力，使其可标注更准确的数据对齐超人模型；weak-to-strong generalization 试图微调预训练大模型，使其泛化的效果显著优于弱监督信号。
我们的工作试图结合 scalable oversight 和 weak-to-strong generalization 两类方法的优势，并更好的提升对齐效果。具体地，我们尝试用预训练大模型改善人类监督信号，并用改善的监督信号微调大模型。
为了获得可实验验证的进展，我们考虑了一个类似的设定：我们是否可以用强的大模型改善一个弱模型的监督信号，并用它监督对齐强模型？具体地，我们利用强的大模型帮助在真实标注中训练一个弱的小模型，然后利用弱模型生成的标签微调强模型。
我们发现辩论可以帮助弱模型从强模型中抽取可信的知识，这些知识可以帮助训练更好的弱模型。我们还发现弱模型的 ensemble 可以更好的利用强模型生成的辩论信息，并获得更可靠的监督信号。
在 OpenAI 的 weak-to-strong 数据集实验表明，我们的方法有更好的对齐效果。这进一步说明辩论对 weak-to-strong generalization 是有帮助的。
方法
我们提出一个新的 weak-to-strong generalization 框架，共包括以下 3 个步骤：
Step 1 通过辩论生成论点：
我们认为预训练大模型有广泛的世界知识，可以帮助很多任务。我们的目标是从不可信的强模型中，通过辩论的方式抽取可信的知识，并利用这些可信知识帮助训练更好的弱模型。
我们首先给出辩论的规则。给定一个问题以及它的两个答案候选（一个准确、一个错误），大模型的两个实例随机地被分配为这两个相反的答案争辩。
辩论基于多轮地辩手之间的文字交换。在达到辩论轮次后，辩论结束，并且辩手的论点被记录下来。在辩论过程中，每个辩手都尽力拿出证据支持自己的观点，并解释为什么对方的观点是错误的。
上图给出一个辩论的示例。我们观察到辩手 B 支持错误观点，并被激发表述错误论点。尽管如此，在下一轮，辩手A轻易的指出了辩手 B 论点的错误之处。该观察与假设“说谎比识别说谎更困难”一致
[4]
。这些辩论的论点提供了有价值的信息说明了两个观点的优点和缺点，可被用于训练更好的弱模型。
Step 2 训练弱模型 Ensemble：
针对训练弱模型的每个样本，我们会额外附加上相应的辩论观点。我们在真实标注数据上利用这些增强的样本训练弱的小模型。我们注意到多轮辩论生成的论点数据会比较长，这会导致弱模型很难理解和处理。因此，我们训练了弱模型的 ensemble，使其生成的监督信号更鲁棒。
Step 3 利用弱模型 Ensemble 训练强模型：
我们最终利用弱模型 ensemble 构建的标签数据微调预训练大模型，从而获得一个对齐的强模型。具体地，我们利用弱模型 ensemble 中每个弱模型预测值的平均值构建标签数据。
实验
3.1 主实验
我们在 OpenAI 的 weak-to-strong 数据集实验，包括从 SciQ、BoolQ、CosmosQA 和AnthropicHH 转化而来的四个二分类任务。评测指标基于Accuracy 和 PGR（performance gap recovered）。
我们利用 Qwen/Qwen-7B 训练弱模型，利用 Qwen/Qwen-14B 训练强模型。如下表所示，我们的方法在四个测试集的两个指标均取得最好的效果，超过了利用 auxiliary confidence loss 的方法。
3.2 消融实验
3.2.1 Scalable oversight 方法
为了验证辩论从不可信强模型中抽取可信信息的能力，我们对比了其他两种不同的 Scalable oversight 方法：1. Consultancy；2. Market-Making。
Consultancy 只有一个预训练大模型的实例作为顾问，它被随机分配支持一个问题两个对立答案中的一个。Market-Making 只有一个预训练大模型的实例作为辩手，它支持未被弱模型选择的另一个答案。
如下表所示，基于辩论的方式取得更好的 Accuracy 和 PGR 评测结果。这也说明了辩论的方式可以更好的从强模型中抽取可信信息。
3.2.2 弱模型 ensemble
我们分析了弱模型 ensemble 在提高弱监督信号鲁棒性的作用。我们对比了其他两种弱模型方法：1. single model；2. finetune ensembles。
顾名思义，single model 只训练一个弱模型。
finetune ensembles 所有的弱模型成员共享一份辩论论点生成结果。
如下表所示，我们基于辩论的弱模型 ensemble 效果优于其他两个方法，这也说明了辩论论点的多样性在提高弱监督信号鲁棒性方面的作用。
总结
本文提出一种基于辩论提高弱监督对齐强模型的方法。我们相信结合 scalable oversight 和 weak-to-strong generalization 各自的优势解决弱监督问题，一定是未来超级对齐的重要的研究方向。
[1] Measuring progress on scalable oversight for large language models. 2022.
[2] Weak-to-strong generalization: Eliciting strong capabilities with weak supervision. 2023.
[3] Combining weak-to-strong generalization with scalable oversight. 2023.
[4] AI safety via debate. 2018.
阿里通义实验室 - 对话智能 & 代码智能团队，以大模型技术为核心，研究及应用方向包括通义灵码（编码助手 & AI 程序员）、通义星尘（角色扮演 & IP 复刻 & 类人智能体）、通义晓蜜（智能客服）、通义听悟（音视频对话分析）等。2020 年以来，围绕预训练、对话智能、代码智能、大模型等方向发表 100+ 篇国际顶会论文。
团队 Google scholar：
https://scholar.google.com/citations?user=5QkHNpkAAAAJ
1. 在国际顶会/顶刊一作发表过论文者优先；
2. 博士优先，有 large language models（LLMs）and multi-modal LLMs 算法相关研究经验者优先；
3. 实习时间至少 6 个月以上，稳定长时间实习者优先。
