如何用几句话向 6 岁儿童解释登月？GPT-3 给出的答案实在离谱：向孩子解释引力理论、相对论、大爆炸、进化论…… 为了修正这样的＂bug＂，OpenAI 在今天推出了全新的＂指导版 GPT＂——InstructGPT 模型。InstructGPT 甚至不用出全力，只要 13 亿参数，就能比 1750 亿参数的模型效果更好。来看看 InstructGPT 是怎么回答的吧：人类去月球，拍摄他们所看到的，然后返回地球，我们就看到了他们。 （People went to the moon, and they took pictures of what they saw, and sent them back to the earth so we could all see them.） 这一下子就合理多了，6 岁孩子肯定能懂。我们再看一个例子，GPT-3 再次被 InstructGPT 无情碾压，不过这次换上了完全版，也就是 1750 亿参数的。 请问：以下这段代码的用途是什么？defbinomial_coefficient(n,r):C=[0foriinrange(r+1)];C[0]=1;foriinrange(1,n+1):j=min(i,r);whilej>0:C[j]+=C[j-1];j-=1;returnC[r] GPT-3 的回答俨然是一台＂复读机＂：（叫你回答问题，没让你出题啊！） A. to store the value of C[0] B. to store the value of C[1] C. to store the value of C[i] D. to store the value of C[i - 1] 如果这玩意给 GitHub 的自动编码工具 Copilot 用，真的会把程序员带到沟里。 InstructGPT 的回答简直就是计算机考试标准答案： 这段代码中的数组 C 是用来存储二项式系数值的。它用于计算给定 n 和 r 值的二项式系数，并将结果存储在函数的最终返回值中。 除了以上的案例外，还能避免将＂淘气＂和＂女性＂关联，或者将＂犹太人＂和＂金钱＂关联，避免触及性别种族歧视话题。从人类反馈中学习 OpenAI 是如何升级 GPT-3 的？InstructGPT 背后的研究人员使用＂从人类反馈中强化学习＂（RLHF），让 GPT-3 的输出更准确，并且有害性更低。 RLHF 总共分三步： 第一步，找一些人写下示范答案，来微调 GPT-3 模型，训练监督模型 baseline。 第二步，收集某个问题的几组不同输出数据，由人类对几组答案进行排序，在此数据集上训练奖励模型。 第三步，使用 RM 作为奖励函数，近端策略优化（PPO）算法微调 GPT-3 策略，以强化学习方法最大化奖励。 这种方法存在一个局限性在于它引入了＂对齐问题＂，因为模型仅根据对齐客户的 NLP 任务，那么可能会在学术 NLP 任务上的表现更糟。 OpenAI 发现了一个简单的算法更改，可以最大限度地减少该问题：在强化学习微调期间，混合用于训练 GPT-3 原始数据的一小部分，并使用正态似然对最大化（normal log likelihood maximization）来训练这些数据。这大致能保持内容安全和符合人类偏好，同时缓解学术任务上的效率下降，在某些情况下甚至超过了 GPT-3 baseline。实验结果 在公开数据集上，InstructGPT 与 GPT-3 相比产生的模仿假象更少、有害性更低。而且 InstructGPT 编造事实的频率较低。 而且人类实际感受中也给 InstructGPT 打分更高。 但 OpenAI 表示 InstructGPT 仍有许多要改进的地方，比如接受的都是英语的训练，因此偏向于英语文化价值观，给语句标注的人的偏好，也会影响 GPT-3 的＂价值观＂。总之，纠正 GPT-3 的三观，还有很长的路要走。