机器之心报道
编辑：Panda
让 LLM 在自我进化时也能保持对齐。
论文标题：Evolving Alignment via Asymmetric Self-Play
论文地址：https://arxiv.org/pdf/2411.00062
直观地讲，创建器可以通过复杂度不断增加的提示词例程来指导求解器，从而实现高效和一般性的学习，以处理现实任务的多样性。
从数学上看，这类似于通过期望最大化进行的 RL 优化，其中提示词分布的 φ 在每个步骤中都是固定的。
创建器（Creator：提示词博弈者 π_X，其作用是策略性地为求解器生成提示词。
求解器（Solver：响应博弈者 π_{Y|X}（或 π），其作用是学习生成更符合偏好的响应。
第 1 步：info (・)—— 估计信息量。对于提示集 X) t 中的每个 x，生成响应、注释奖励并通过 (10) 式估计 x 的信息量指标。
第 2 步：sample (・)—— 对富含信息的子集进行加权采样。使用信息量指标作为权重，对富含信息的提示词子集 X^info_t 进行采样，以便稍后执行演进。
第 3 步：evolve (・)—— 为高优势提示词执行近端区域演进。具体来说，迭代 X^info_t 中的每个提示词，让它们各自都演化为多个变体，然后（可选）将新生成的提示词与对 X_t 的均匀采样的缓存混合以创建 X′_t。
信息量指标：新提出的基于后悔值的指标优于其它替代指标；
采样之后执行演化的流程：新方法优于贪婪选择方法；
使用奖励模型进行扩展：eva 的对齐增益会随奖励模型而扩展；
持续训练：新提出的方法可通过增量训练获得单调增益；eva 演化得到的数据和调度可用作隐式正则化器，从而实现更好的局部最小值。
