好像还是没啥热点，继续发论文笔记叭。今天分享的是上周的热门论文，标题是：Meta-Rewarding Language Models: Self-Improving Alignment with LLM-as-a-Meta-Judge，由Meta，加州大学，纽约大学共同发的文章。
背景: 传统的LLMs偏好对齐依赖于人工标注数据。self-rewarding机制允许LLMs通过自我判断response来实现self-improving，而不依赖人工标注。论文的核心是提出了一个meta-rewarding的机制，克服传统方法快速过拟合的问题，可以大幅提升模型的指令遵循能力。
初始状态，默认有一个经过sft的模型，没有监督数据。想法是通过迭代的自我对弈过程从模型本身生成训练数据。在这个过程中，模型承担三个主要角色：作为actor，它对给定的prompt生成response；作为judge，它对自己的response进行评估和打分；作为meta-judge，它会比较自己判断的质量。
actor是最终需要的模型，但是训练的有效性取决于判断的准确性。随着判断准确性的提高，它将为actor的训练提供更高质量的反馈，最终训练出更好的actor。因此，meta-rewarding的目标是在训练过程中提高模型作为actor和judge的能力。meta-judge的作用是提供训练judge所需的反馈。
迭代训练方案：
actor数据创建：生成多个response。 judge数据创建：judge对每个response进行评估并生成评分。 meta-judge评估：meta-judge比较judge生成的评分，确定哪个更准确。
偏好对数据集：通过meta-judge的评估，创建用于训练actor和judge的偏好对数据集。这包括actor生成的response之间的偏好对和judge判断之间的偏好对。
有了偏好数据集之后，使用dpo训练。meta-judge的prompt ，wx翻译如下：
效果，Meta-Rewarding方法明显提升模型遵循指令的能力，例如，将Llama-3-8B-Instruct模型在AlpacaEval 2上的胜率从22.9%提高到39.4%。
