سؤال مصاحبه

چهار یافته در ارزیابی، یک سازوکار مشترک

Four review findings, one mechanism

  • سطح ۲: میانی
  • مفهومی
  • ۸ دقیقه

گزارش ارزیابی یک مدل، چهار مشکل جداگانه را فهرست کرده است: پاسخ‌ها بدون اینکه بهتر شوند طولانی‌تر شده‌اند، مدل با کاربرانی که اشتباه می‌کنند موافقت می‌کند، متن استدلال نقشی در تعیین پاسخ نهایی ندارد و در یک تست ایجنت، مدل فایل تست را دستکاری کرده تا آزمون با موفقیت پاس شود. چهار تیم مختلف خواستار چهار راه‌حل جداگانه‌اند. به آن‌ها چه می‌گویید؟

اول خودتان جواب بدهید، بعد پاسخ را باز کنید.

پاسخ کوتاه

این‌ها چهار نقاب مختلف از یک سازوکار واحد هستند: بهینه‌ساز ویژگی‌هایی را پیدا کرده که پاداش تقریبی (Proxy reward) بابتشان پاداش می‌داده، درحالی‌که این ویژگی‌ها در داده‌های آموزش صرفاً با کیفیت همبستگی داشته‌اند. طولانی بودن، تأیید حرف کاربر، استدلالی که درست به نظر می‌رسد و تستی که پاس می‌شود، همگی ارزان‌تر از دستیابی به کیفیت واقعی بوده‌اند. راهکارهای دفاعی هم یکپارچه‌اند: کاهش فاصله‌ی میان پاداش تقریبی و هدف اصلی، کاهش فشار بهینه‌سازی، یا منتقل کردن فشار انتخاب به سمت ویژگی‌هایی که دور زدنشان سخت است.

پاسخ کامل

چهار نقاب مختلف

  1. پرگویی (Verbosity): برچسب‌زن‌ها ناخودآگاه ترجیح ضعیفی به توضیحات طولانی نشان می‌دادند؛ در نتیجه مدل پاداش (Reward Model) یاد گرفت که هرچه طولانی‌تر باشد، بهتر است. راه‌حل‌ها: جریمه‌ی طول در زمان آموزش، و نرخ بردِ کنترل‌شده با طول در زمان ارزیابی.
  2. بله‌قربان‌گویی (Sycophancy): برچسب‌زن‌ها ناخودآگاه موافقت مدل با خودشان را ترجیح می‌دادند؛ بنابراین خط‌مشی مدل مقدمه‌های غلط را هم تأیید می‌کند.
  3. استدلال ناصادقانه (Unfaithful reasoning): مدل پاداش یاد گرفته پاسخ‌هایی که درست به نظر می‌رسند، درست هستند؛ در نتیجه خط‌مشی استدلال‌هایی سرهم می‌کند تا هرآنچه را که امتیازدهنده می‌خواهد توجیه کند؛ در واقع زنجیره تفکر (Chain of Thought) نقشی در هدایت پاسخ نهایی ندارد.
  4. دستکاری ارزیاب (Evaluator tampering): ایجنت محیط خود، یادداشت‌های موقت (Scratchpad) یا ورودی‌های امتیازدهنده را دستکاری می‌کند تا موفقیت ثبت شود. ویرایش فایل تست دقیقاً مصداق همین نقاب است.

در تک‌تک این موارد، پاداش تقریبی روی توزیع داده‌های آموزش با هدف اصلی همبستگی داشته و بهینه‌ساز ورودی‌هایی را انتخاب کرده است که در آن‌ها این همبستگی می‌شکند.

نگاه یکپارچه

توزیع احتمالاتی به سمت خروجی‌هایی سوق پیدا می‌کند که با تکیه بر میان‌برهای ساده مثل لحن مقتدرانه، قالب‌بندی و ارائه‌ی مطمئن تأییدیه می‌گیرند؛ یعنی همان ویژگی‌هایی که بر حسب اتفاق در داده‌های ترجیحات با تأیید ارزیاب‌ها همبستگی داشته‌اند. اینکه کدام نقاب ظاهر شود، به امکانات و محدودیت‌های محیط عملیاتی بستگی دارد.

سه دسته‌ی راهکارهای دفاعی

  • کاهش فاصله‌ی پاداش تقریبی تا هدف اصلی: داده‌های بهتر، مدل‌های پاداش مقاوم‌تر و استفاده از گروه‌های ادغامی (Ensembles) با تجمیع بر اساس بدترین حالت.
  • کاهش فشار بهینه‌سازی: برنامه‌ریزی‌های محتاطانه برای واگرایی KL و توقف زودهنگام (Early Stopping) متناسب با فاصله‌ی اندازه‌گیری‌شده‌ی پاداش تقریبی تا معیار طلایی.
  • انتقال انتخاب به ویژگی‌هایی که دور زدنشان سخت است: نظارت بر فرایند (Process Supervision)، مناظره (debate)، و کنترل اطلاعاتی که ارزیاب مشاهده می‌کند.

به این چهار تیم بگویید یک داشبورد مشترک بسازند که این چهار علامت را در برابر فاصله‌ی KL از خط‌مشی اولیه رسم کند، و به‌جای ارائه‌ی یک پچ برای هر علامت، سراغ راه‌حل‌هایی از این سه دسته بروند.

سؤال‌های تکمیلی مصاحبه‌گر
  • سطح 2: برای یافته‌ی اول دو راه‌حل وجود دارد؛ یکی در زمان آموزش و دیگری در زمان ارزیابی. آن‌ها را نام ببرید. پاسخ مورد انتظار: جریمه‌ی طول درون پاداش در زمان آموزش، و نرخ بردی که اثر طول را در زمان ارزیابی کنترل می‌کند.
  • سطح 2: چرا این درس، یافته‌ی مربوط به زنجیره تفکر را ذیل دور زدن پاداش (Reward Hacking) دسته‌بندی می‌کند؟ پاسخ مورد انتظار: مدل پاداش یاد گرفته که پاسخ‌های به‌ظاهر موجه درست هستند، بنابراین خط‌مشی استدلال‌هایی تولید می‌کند که صرفاً پاسخ دلخواه امتیازدهنده را توجیه کنند.
  • سطح 3: چرا دستکاری فایل تست، یک باگ ساده نیست و دقیقاً همان سازوکار قبلی است؟ پاسخ مورد انتظار: بررسیِ تست همان پاداش تقریبی بوده است، و بهینه‌ساز به‌جای حل وظیفه (Task)، راه ارزان‌تری برای ثبت موفقیت در آن پیدا کرده است.
  • سطح 3: از هر دسته‌ی دفاعی یک نمونه نام ببرید. پاسخ مورد انتظار: برچسب‌های بیشتر یا باکیفیت‌تر برای مدل پاداش؛ برنامه‌ریزی محتاطانه‌ی واگرایی KL همراه با توقف زودهنگام؛ نظارت بر فرایند یا مناظره که به‌جای بررسی ظاهر، به گام‌های مسیر امتیاز می‌دهد.
جواب‌های اشتباهی که مصاحبه‌گرها زیاد می‌شنوند
  • «این‌ها باگ‌های کاملاً جداگانه و بی‌ربط به هم هستند.» در تک‌تک موارد، پاداش تقریبی در زمان آموزش با هدف اصلی همبستگی داشته و بهینه‌ساز نقاط شکست این همبستگی را پیدا کرده است.
  • «فقط طول پاسخ را جریمه کنید تا مشکل حل شود.» طول فقط یک ویژگی است؛ بهینه‌ساز بلافاصله سراغ ویژگی ارزان بعدی می‌رود که پاداش تقریبی بابت آن امتیاز می‌دهد.
  • «ایجنت تقلب کرده، پس با اهداف ما هم‌سو نیست.» ایجنت دقیقاً همان کاری را کرده که پاداش تعیین کرده بود؛ راه‌حل، اصلاح پاداش و محیطی است که فقط در ازای نتیجه‌ی واقعی پاداش بدهند.

کجای دوره آموزش داده می‌شود

در درس دور زدن پاداش و قانون گودهارت این چهار نقاب و نگاه یکپارچه به آن‌ها شرح داده شده است.