前言
大模型在多轮对话场景有着广泛的应用，然而现在对其进行深入研究的很少，今天就给大家介绍一篇最新paper，其主要聚集大模型对多轮对话指令跟随的能力，其从数据集、训练方法以及如何评估三个层面都进行针对性的多轮优化。
论文链接：https://arxiv.org/pdf/2310.07301
方法
如图(a)作者首先训练了一个Parrot-Ask Model用来模拟用户提问，然后基于该model进行自动互动就可以得到更多轮数的高质量对话，接着图(b)基于启发式设计了三种常见策略得到正-负样本pair，有了数据后就可以开始训练了，首先图©基于高质量对话进行sft，图(d)用正-负样本pair进行偏好学习。
下面我们详细看一下各个环节具体是怎么做的。
- Dataset Collection
多轮对话其实可以拆成两个角色在聊天，一个是user一个是bot。这两个角色说话风格和内容是有着很大差异的，bot目前有很多比如chatgpt，gpt4等等。但是user是非常稀缺的，因为其要求掌握真实用户的提问习惯，为此作者专门训练了一个模拟用户提问的model。
具体来说作者使用user-ChatGPT真实数据来训练一个user提问模型(论文中叫做ask model)，和通常训练bot恰恰相反，其是根据历史对话来计算下一轮提问的loss。训练的时候也会添加一些system信息
然后其从ShareGPT和UltraChat中抽取了20K的第一轮数据作为seed，使用训练好的ask model和chatgpt以seed为开端自动聊多轮，直到达到规定的轮数。当然后面会再进行一次过滤比如过滤掉重复提问，短提问等等。
当然也可以直接用chatgpt进行模拟user比如
下面是一些具体例子对比
可以看到自己训练的ask模型更像人提问。
- Context-Aware Preference Optimization
相比于单轮对话，多轮对话更为复杂，有时候其需要结合历史对话来回答。于是作者需要先找出这部分query。具体做法是使用代词识别（因为通常代词指代的具体信息就在历史对话）以及借助gpt4去判断出那些需要历史对话才能回答的query。
有了真多轮query以后，作者采用了三种策略来模拟获得bad response(方便后面形成pair偏好训练数据)。
(a) Context Neglect：忽略历史对话，让chatgpt只根据当前query进行回答，这里是在模拟真实场景模型可能会忽略历史对话进行回答。
(b) Context Hallucination：在不给真实历史对话的条件下，让chatgpt去猜测可能的上文，然后基于猜测进行回答，这主要是在模拟产生幻觉的回答。
©Context Misunderstanding：让chatgpt故意选择不相关的历史对话进行结合回答，这主要用来模拟真实场景中大模型错误理解历史对话的场景。
有了上面的负样本，再加上数据本来的正确response，就可以用dpo强化学习算法来进行训练了。
实验
多轮对话的场景的benchmark很少，最出名的就是MT-Bench，但是其只有两轮历史对话，为此作者让标注人员手动额外扩展了六轮，而且为了增加难度，特意做了一些指代和信息缺失等设计即必须依靠历史对话才能回答，随后用gpt4进行打分。
下面是给标注人员看的规则
一些实际的case:
打分的prompt:
核心评估结果如下：
可以看到SFT和DPO过后都是有些提高的。但是和chatgpt以及gpt4还是有明显的差距。
总结
(1) 多轮对话场景下收集query是非常重要的，说白了就是收集真实场景的需求到底是啥，知道了query就等于知道了用户真真关心的是啥，那么就可以针对性的进行优化response，所以这也是大平台的优势之一，openai能够通过api从全球收集大量各种各样的真实需求，这一壁垒是非常高的。返回头来说对于我们做某一垂类场景的时候，这篇文章给我们的启示是：可以先想办法收集一部分真实的query，然后训练一个query模仿器（ask model）得到更多的真实候选query，然后迭代优化甚至快速上线，拿到更多真实的query（这非常珍贵），训练更好的query模仿器，再迭代优化，直到最后得到大量真实的query，至此你就有了自己的第一个壁垒了：真实query。
（2）因为收集query是非常重要的一环，笔者这里想再提一点，如前面所说我们可以训练一个ask model，但是我们可不可以不训练呢？即直接通过Prompt Engineering让一个现有的大模型比如gpt4去模拟user进行提问，当然可以（论文就给出了一个用chatgpt的例子）！！！但是这里面最少需要考虑两个点，第一是成本问题，自己训练虽然需要成本但是推理的时候就可以大大降低成本了，调用gpt4的话成本有可能会高一些。第二就是效果问题，调用现成api的话需要做的就是Prompt Engineering，是否能够写出一个好的prompt来使得大模型query模拟？而直接训练因为学过了真实数据可能会更好一点。
(3) 就论文最后的效果来看，提升的不是很大，但总的来说多轮对话场景其实是一个很常见的常见，值得深入研究，包括数据集的获取、训练和评估，论文算是开了个好头。
关注
欢迎关注，下期再见啦~
