該論文介紹了一種名為 ReMax 的新算法，專為基于人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）而設(shè)計(jì)。ReMax 在計(jì)算效率（約減少 50% 的 GPU 內(nèi)存和 2 倍的訓(xùn)練速度提升）和實(shí)現(xiàn)簡(jiǎn)易性（6 行代碼）上超越了最常用的算法 PPO，且性能沒(méi)有損失。

論文鏈接：https://arxiv.org/abs/2310.10505

作者：李子牛，許天，張雨舜，俞揚(yáng)，孫若愚，羅智泉

機(jī)構(gòu)：香港中文大學(xué)（深圳），深圳市大數(shù)據(jù)研究院，南京大學(xué)，南棲仙策

開(kāi)源代碼：https://github.com/liziniu/ReMax

如未額外說(shuō)明，所有圖片來(lái)自于論文。 背景 今年，以 ChatGPT 為首的大語(yǔ)言模型（Large Language Models, LLMs) 在各個(gè)方面大放光彩，由此引發(fā)了學(xué)術(shù)界和商業(yè)界對(duì) GPU 等計(jì)算資源的需求劇增。

比如監(jiān)督訓(xùn)練地調(diào)優(yōu) (supervised fine-tuning, SFT) 一個(gè) Llama2-7B 的模型，需要消耗 80GB 以上的內(nèi)存。而這往往不夠，為了和人類對(duì)齊（alignment），大語(yǔ)言模型還要經(jīng)過(guò) RLHF (reinforcement learning from human feedback) 的訓(xùn)練。RLHF 的 GPU 消耗往往是 SFT 的 2 倍以上，訓(xùn)練時(shí)間更能達(dá)到 6 倍以上。 近日，美國(guó)政府宣布限制英偉達(dá) GPU 產(chǎn)品 H100, H800等進(jìn)入中國(guó)市場(chǎng)。這項(xiàng)條款無(wú)疑為中國(guó)發(fā)展大語(yǔ)言模型（LLMs) 和人工智能增添了很多阻力。減小 RLHF 的訓(xùn)練成本（GPU 消耗和訓(xùn)練時(shí)間）對(duì) LLMs 的發(fā)展非常重要。 動(dòng)機(jī) RLHF 包含三個(gè)階段： 1. 監(jiān)督式地調(diào)優(yōu)（Supervised Fine-Tuning, SFT）。 2. 從對(duì)比數(shù)據(jù)中學(xué)習(xí)獎(jiǎng)勵(lì)模型（reward model)。 3. 利用強(qiáng)化學(xué)習(xí)（RL）算法來(lái)最大化獎(jiǎng)勵(lì)。

圖片來(lái)源自 InstructGPT 論文 我們發(fā)現(xiàn) RLHF 的主要計(jì)算開(kāi)銷來(lái)源于第三階段（獎(jiǎng)勵(lì)最大化）。這一點(diǎn)可以從 DeepSpeed-Chat 的報(bào)告里看到，第三階段的訓(xùn)練時(shí)間是前兩個(gè)階段時(shí)間總和的 4 倍以上。而且，根據(jù)我們的經(jīng)驗(yàn)，第三階段的 GPU 消耗是前兩階段的 2 倍以上。

圖片來(lái)自 DeepSpeed-Chat 技術(shù)報(bào)告 目前 RLHF 第 3 階段的主要計(jì)算瓶頸是什么？ 我們發(fā)現(xiàn)該階段的計(jì)算瓶頸主要來(lái)源用來(lái)目前使用的 RL 算法：PPO 算法。PPO 算法是用來(lái)解決普適 RL 問(wèn)題的最流行的算法之一，有非常多成功的案例。我們?cè)谶@里省略 PPO 的技術(shù)細(xì)節(jié)，著重介紹 PPO 的一個(gè)關(guān)鍵組件：價(jià)值模型 (The value model)。價(jià)值模型是一個(gè)需要被訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，能夠有效地估計(jì)給定策略的預(yù)期長(zhǎng)期回報(bào)。盡管價(jià)值模型為 PPO 帶來(lái)了良好的性能，但它在 RLHF 任務(wù)中也引入了沉重的計(jì)算開(kāi)銷。例如，為了更好地與人類偏好對(duì)齊，PPO 中的價(jià)值模型通常與 LLM 大小相似，這使存儲(chǔ)需求翻了一番。此外，價(jià)值模型的訓(xùn)練需要存儲(chǔ)其梯度、激活和優(yōu)化器狀態(tài)，這進(jìn)一步增加了近 4 倍的 GPU 存儲(chǔ)需求。總結(jié)來(lái)說(shuō)，PPO 和它的價(jià)值模型（以及其訓(xùn)練相關(guān)部分）已成為 RLHF 獎(jiǎng)勵(lì)最大化階段的主要計(jì)算障礙。

相比 PPO，ReMax 是輕量級(jí)算法 思路是否有可能找到比 PPO 更適配 RLHF 的算法？ 我們得出的答案是肯定的。這是因?yàn)?PPO 和價(jià)值模型是為通用 RL 問(wèn)題設(shè)計(jì)的，而不是針對(duì)像 RLHF 這樣的特定問(wèn)題（RLHF 只是 RL 問(wèn)題中的一個(gè)子類）。有趣的是，我們發(fā)現(xiàn) RLHF 具有三個(gè)在 PPO 中未使用的重要結(jié)構(gòu)： 1. 快速模擬（fast simulation）： 軌跡（即 LLM 中的整個(gè)響應(yīng)）可以在很短的時(shí)間內(nèi)迅速執(zhí)行（小于 1s），幾乎沒(méi)有時(shí)間開(kāi)銷。 2. 確定性轉(zhuǎn)移（deterministic transitions）：上下文確定性依賴于過(guò)去的標(biāo)記和當(dāng)前生成的標(biāo)記。 3. 軌跡級(jí)獎(jiǎng)勵(lì)（trajectory-level rewards）：獎(jiǎng)勵(lì)模型只在響應(yīng)完成時(shí)提供一個(gè)獎(jiǎng)賞值。 通過(guò)這三個(gè)觀察，我們不難發(fā)現(xiàn) value model 在 RLHF 的問(wèn)題中是 “冗余” 的。這是因?yàn)?value model 設(shè)計(jì)的初衷是為了隨機(jī)環(huán)境下的樣本效率和慢仿真環(huán)境的計(jì)算效率。然而這在 RLHF 中是不需要的。

ReMax 是針對(duì) RLHF 設(shè)計(jì)的算法，PPO 則是為通用 RL 設(shè)計(jì)的算法 方法ReMax ReMax 算法基于一個(gè)古老的策略梯度算法 REINFORCE，REINFORCE 使用的策略梯度估計(jì)器如下圖所示：

REINFORCE 梯度估計(jì)器

REINFORCE可以在計(jì)算層面利用好RLHF任務(wù)的三個(gè)性質(zhì)，因?yàn)镽EINFORCE直接利用一個(gè)響應(yīng)的獎(jiǎng)勵(lì)來(lái)進(jìn)行優(yōu)化，不需要像一般的RL算法一樣需要知道中間步驟的獎(jiǎng)勵(lì)和值函數(shù)。然而，由于策略的隨機(jī)性， REINFORCE梯度估計(jì)器存在高方差問(wèn)題（在Richard Sutton的RL書(shū)里有指出），這一問(wèn)題會(huì)影響模型訓(xùn)練的有效性，因此REINFORCE在RLHF任務(wù)中的效果較差，見(jiàn)下面兩張圖片。

REINFORCE 的計(jì)算代價(jià)小，但性能差

REINFORCE 的（隨機(jī)）梯度值遠(yuǎn)遠(yuǎn)大于 ReMax 為解決這一問(wèn)題，ReMax 使用貪婪生成的回答（greedy response）的獎(jiǎng)勵(lì)作為基準(zhǔn)值（baseline value）來(lái)構(gòu)建梯度估計(jì)器，具體公式如下：

ReMax 梯度估計(jì)器 注意到，貪婪回復(fù)的獎(jiǎng)勵(lì)可以看作為期望獎(jiǎng)勵(lì)的好的近似。在理想情形下（)，對(duì)于隨機(jī)變量，

，因此我們能夠期望估計(jì)器具有更小的方差。 ? ? 下圖展示了 ReMax 的算法流程，紅色方框中的是核心算法改變。 ?

ReMax 算法流程 理論保證 我們證明了 ReMax 使用的梯度估計(jì)器仍然是真實(shí)策略梯度的一個(gè)無(wú)偏估計(jì)器。 詳細(xì)理論介紹見(jiàn)論文。 算法優(yōu)點(diǎn)

ReMax 的核心部分可以用 6 行代碼來(lái)實(shí)現(xiàn)。相比之下，PPO 要額外引入重要性采樣（importance sampling），廣義優(yōu)勢(shì)估計(jì)（generalized advantage estimation，GAE)，價(jià)值模型學(xué)習(xí)等額外模塊。

ReMax 的超參數(shù)很少。相比之下，PPO 有額外的超參數(shù)，例如重要性采樣剪切閾值（importance sampling clipping ratio）、GAE 系數(shù)、價(jià)值模型學(xué)習(xí)率，離策略訓(xùn)練輪次（off-policy training epoch）等，這些超參數(shù)都需要花大量時(shí)間去調(diào)優(yōu)。

ReMax 能理論上節(jié)省約 50% 內(nèi)存。相比于 PPO，ReMax 成功移除了所有和價(jià)值模型相關(guān)的部件，大大減小了內(nèi)存開(kāi)銷。通過(guò)計(jì)算，我們發(fā)現(xiàn)相比于 PPO，ReMax 能節(jié)省約 50% 內(nèi)存。

效果有效性

ReMax 可以像 PPO 一樣有效地最大化獎(jiǎng)勵(lì)

在 OPT-1.3B 上，ReMax 可以有效地最大化獎(jiǎng)勵(lì)

在 OPT-1.3B 上，ReMax 的訓(xùn)練非常穩(wěn)定

在 GPT-4 評(píng)估下（LIMA Test Questions），ReMax 得到的策略比 SFT 和 PPO 會(huì)更好

GPT4 打分顯示 ReMax 得到的模型會(huì)更好 高效性

ReMax 能節(jié)省近 50% 的 GPU 內(nèi)存。ReMax 移除掉了價(jià)值模型和它的訓(xùn)練部分（梯度，優(yōu)化器，激活值），從而極大節(jié)省了 GPU 內(nèi)存需求。考慮 Llama2-7B，PPO 無(wú)法在 8xA100-40GB 的機(jī)器上跑起來(lái)，但是 ReMax 可以。

在 Llama2-7B 上，ReMax 可以節(jié)省近 50% 的 GPU 內(nèi)存

ReMax 能加快 2 倍的訓(xùn)練速度。在每一輪中，ReMax 調(diào)用 2 次生成（generation），1 次反向傳播（backpropagation）；而 PPO 使用 1 次生成，2 次反向傳播。對(duì)于大模型而言，生成會(huì)比反向傳播的時(shí)間小，從而 ReMax 可以實(shí)現(xiàn)理論上接近 2 倍的訓(xùn)練加速。

通用性 除了 RLHF 任務(wù)，作為一個(gè) RL 算法，ReMax 對(duì)于經(jīng)典的 NLP 任務(wù)也適用。本文考慮了在 GPT-2 上進(jìn)行一個(gè)電影評(píng)論續(xù)寫(xiě)的任務(wù)，這里獎(jiǎng)勵(lì)模型不是從對(duì)比數(shù)據(jù)學(xué)習(xí)的。實(shí)驗(yàn)觀測(cè)到，ReMax 可以實(shí)現(xiàn) 2.2 倍的訓(xùn)練加速和 60% 的 GPU 內(nèi)存節(jié)省。

在經(jīng)典的 NLP 任務(wù)（文本續(xù)寫(xiě)）上，ReMax 相比 PPO 實(shí)現(xiàn)了 2.2 倍加速 總結(jié) 最后，我們從實(shí)驗(yàn)中簡(jiǎn)要總結(jié)了 ReMax 相對(duì)于 PPO 的主要優(yōu)勢(shì)。

更簡(jiǎn)單的實(shí)現(xiàn)： ReMax 的核心部分 6 行代碼即可實(shí)現(xiàn)。這與 PPO 中的眾多復(fù)雜的代碼構(gòu)建塊形成鮮明對(duì)比。

更少的內(nèi)存開(kāi)銷：由于移除了價(jià)值模型及其全部訓(xùn)練組件，相比 PPO，ReMax 節(jié)省了大約 50% 的 GPU 內(nèi)存。

更少的超參數(shù): ReMax 成功移除了所有和價(jià)值模型訓(xùn)練相關(guān)的超參數(shù)，其中包括：GAE 系數(shù)、價(jià)值模型學(xué)習(xí)率、重要性采樣時(shí)期、小批量（mini-batch）大小。這些超參數(shù)往往對(duì)問(wèn)題敏感且難以調(diào)整。我們相信 ReMax 對(duì) RLHF 研究者更加友好。

更快的訓(xùn)練速度：在 GPT2（137M）的實(shí)驗(yàn)中，我們觀察到 ReMax 在真實(shí)運(yùn)行時(shí)間方面相比于 PPO 有 2.2 倍的加速。加速來(lái)自 ReMax 每次迭代中較少的計(jì)算開(kāi)銷。通過(guò)我們的計(jì)算，該加速優(yōu)勢(shì)在更大的模型上也能維持（假設(shè)在足夠大的內(nèi)存下 PPO 可以被成功部署）。

優(yōu)異的性能：如前所示，ReMax在中等規(guī)模實(shí)驗(yàn)中與PPO實(shí)現(xiàn)了相當(dāng)?shù)男阅?，并且有時(shí)甚至超越它（可能是由于 ReMax 更容易找到合適的超參數(shù)）。我們推測(cè)這種良好的性能可以拓展到更大規(guī)模的模型中。