人工智能技术正在飞速发展，尤其是大语言模型在自然语言处理领域取得了令人瞩目的成就。但同时，我们也面临着如何让语言模型更符合人类意图、减少有害内容生成的挑战。

针对大模型对齐方向的挑战，本文提出了一种新颖的方法来解决这一难题。其核心思想是：将自回归语言模型看作一个离散时间随机动力系统，通过在其表征空间中引入控制信号，动态调整模型在生成过程中的行为，使之更加符合特定的对齐目标。与需要微调模型参数的方法不同，该方法只需训练一个简单的价值网络，并在测试时优化表征空间即可实现对齐，因而速度更快、资源占用更少。

实验表明，这一方法在保持生成质量的同时，显著提升了语言模型对无害性、有帮助性等人类偏好的契合度，并展现出了强大的泛化能力。

论文标题:
Aligning Large Language Models with Representation Editing: A Control Perspective

论文链接:
https://arxiv.org/pdf/2406.05954.pdf

大模型对齐困境

随着自然语言处理技术的飞速发展，预训练语言模型的规模不断增大，在各类任务上取得了令人惊艳的效果。然而由于训练数据的复杂性和多样性，这些模型可能会生成有害、无关或不符合人类意图的内容。如何让语言模型更好地与人类偏好保持一致，成为了一个亟待解决的问题。

目前主要有两类方法来实现语言模型对齐：微调和测试时对齐。微调方法如RLHF(Reinforcement Learning from Human Feedback)通过人类反馈数据训练一个奖励模型，再用强化学习技术去优化语言模型的策略。然而，这类方法存在训练不稳定且需要大量算力的问题。此外，每当面临新的数据或需求时，都需要重新微调模型，难以快速适应不断变化的应用环境。近年来也有研究提出了一些简化RLHF的方法如DPO，但仍难以避免大量计算资源的消耗。

测试时对齐方法如提示工程(prompt engineering)和受控解码(guided decoding)，无需改动模型参数，通过设计巧妙的提示或解码策略来引导模型生成更安全、更符合人类意图的内容。但由于这类方法并未改变语言模型本身，其对齐能力有限，效果很依赖原模型的性能。

此外，还有一类通过表征工程(representation engineering)实现模型对齐的方法。这类方法通过向语言模型的表征空间中添加扰动，在不改变模型参数的情况下调整其生成行为。已有工作证实，表征编辑在提高语言模型真实性、减少幻觉等方面有不错的效果。但已有方法大多采用添加固定扰动的方式，且未考虑语言模型生成过程的自回归特性。

如何在不牺牲效果的前提下，以更轻量化、更灵活的方式实现语言模型对齐，充分发挥大模型的生成能力，成为一个亟待探索的研究方向。

RE-CONTROL：测试时语言模型对齐新方法

具体来说，研究者将预训练的自回归语言模型看作一个离散时间随机动力系统，其行为由状态转移函数𝑓𝐿𝑀 决定：

其中yt每个时间步新生成的token，ht为之前时间步积累的键-值对，W为将logits Ot+1映射为词表概率分布的线性变换。生成过程不断进行，直到 即停止。

传统语言模型缺乏直接的控制信号，因此研究者提出通过表征编辑的方式，在每个时间步为语言模型状态 引入控制信号 ：

引入控制信号后，优化目标变为在获得最大期望奖励的同时，控制信号尽量小：

为实现上述优化，研究者首先在语言模型的状态空间训练一个价值函数 。根据Bellman方程，其需要满足：

其中r为奖励函数，可以基于人类反馈数据训练得到，也可以由启发式规则定义。

在测试时，研究者通过梯度上升的方式优化模型状态，寻找最优的控制信号：

由于价值网络𝑉𝜙结构简单(2-3层MLP)，优化过程非常高效。控制信号的大小可通过梯度步长和更新次数来隐式地加以约束。

1. 未对齐的语言模型：左侧为一个预训练的自回归语言模型。给定输入提示，该模型会顺序生成输出序列。但由于训练数据的复杂性，生成内容可能存在有害或不符合人类偏好的问题。
2. 微调后的语言模型：上面右侧是经过微调对齐后的语言模型。通过参数更新，该模型能够生成更加安全、符合人类意图的内容，但是微调需要重新训练模型，代价较大。
3. RE-CONTROL：首先，在语言模型的隐状态空间(黄色椭圆)上训练一个价值网络(紫色三角)，用于预测给定状态的期望奖励。在测试时，输入提示token(绿色方块)后，语言模型按照原有参数生成隐状态和输出token(蓝色方块)。但在每个时间步，RE-CONTROL通过优化隐状态(黄色椭圆变红)来最大化价值分数，得到控制信号并加到原有隐状态上，从而调整语言模型的生成行为,得到更加安全、有益的输出(红色方块)。