并非所有人都熟知如何与 LLM 进行高效交流。
一种方案是，人向模型对齐。 于是有了 「Prompt工程师」这一岗位，专门撰写适配 LLM 的 Prompt，从而让模型能够更好地生成内容。
而另一种更为有效的方案则是，让模型向人对齐。 这也是大模型研究中非常重要的问题，
无论是 G
PT 还是 Claude， 在对齐技术上花费大量的时间与精力
。但，随着模型规模变大，基于训练的对齐技术也需要耗费更大量的资源。
因此，我们提出另外的一种方案，即 黑盒提示对齐优化技术（Black-box Prompt Optimization） ，通过优化用户指令，从输入角度对模型进行对齐 。
这种方法可以在不对 LLM 进行训练的情况下，大幅提升与人类偏好的对齐程度。
而且 BPO 可以被替换到各种模型上，包括开源模型和基于API的模型。
下面是我们做的一个简单评估：
在 VicunaEval 上使用 GPT-4 进行自动评估，BPO 能够大幅提升 ChatGPT、Claude 等模型的人类偏好，并助力 llama2-13b 模型大幅超过 llama2-70b 的版本。
论文：https://arxiv.org/abs/2311.04155
代码：https://github.com/thu-coai/BPO
一、方 法
BPO黑盒优化的目标是让模型更好地理解和满足人类的喜好。我们通过调整输入内容，使模型生成的输出更符合用户的期望。这个过程可以分为三个主要步骤：
1、反馈数据收集： 为了建模人类偏好，我们首先搜集了一系列带有反馈信号的开源指令微调数据集，并对这些数据经过精心筛选和过滤。
2、构造提示优化对： 我们使用这些反馈数据来引导大型模型识别出用户偏好的特征。我们首先让模型分析用户喜欢的回复和不喜欢的回复，找出其中蕴含的人类偏好特征。接着，基于这些特征，我们再利用模型优化原始的用户输入，以期得到更符合用户喜好的模型输出。
3、训练提示优化器： 经过步骤一和步骤二，我们得到了大量隐含人类偏好的提示对。利用这些提示对，我们训练一个相对较小的模型，从而构建提示偏好优化器。
最终，我们可以利用该提示优化器对用户指令进行优化，并应用在广泛的LLM上。
二、效 果
我们基于英文部分开源反馈数据集和 llama2-chat-7b 构建了 BPO 优化模型。
BPO对齐技术对 GPT-3.5-turbo 有22%的提升，对 GPT-4 有 10% 的提升。
BPO 能够助力 llama2-13b 大幅超过 llama2-70b 版本的模型效果，并让 llama2-7b 版本的模型逼近比它大 10 倍的模型。
在 vicuna-7b 和 vicuna-13b 上，使用 BPO 对齐的模型超过了常用的反馈学习方法—— PPO（Proximal Policy Optimization） 和 DPO（Direct Preference Optimization）的效果，并且能够和这些方法相结合进一步提升模型效果。
此外，BPO还可以用于提升SFT数据的质量，帮助构建更高质量的SFT模型。
三、研究者说
问：BPO 和反馈学习方法（PPO、DPO）以及 Prompt Engineering方法（如OPRO）的区别是什么？
答：与PPO和DPO相比，BPO最大的优势在于不需要训练原本的LLM，只需要额外训练一个较小的模型即可，并且我们的实验证明这两种技术是可以相结合的。
与 OPRO 对比，BPO 最大的特点在于更加通用，OPRO 等现有的 Prompt Engineering 技术大多需要针对特定的数据进行搜索，并且会搜索得到一个针对特定任务的提示。因此，如果用户希望使用此类方法，需要针对每种任务准备相应的数据集。而 BPO 在训练得到提示优化器后，可以优化各种用户指令。
问：BPO能否针对一条指令进行迭代优化？
答：我们在 VicunaEval 数据上验证了迭代优化指令的效果，大约在第四轮时，优化后的指令对 ChatGPT 效果最好。
问：BPO 究竟对用户指令做了怎样的优化？
答：我们在论文的第五小节总结了BPO的一些常见优化策略，包括：推理解释、完善用户问题、要点提示以及安全增强。