該論文介紹了一種名為 ReMax 的新算法，專為基于人類反饋的強化學習（RLHF）而設計。ReMax 在計算效率（約減少 50% 的 GPU 內存和 2 倍的訓練速度提升）和實現簡易性（6 行代碼）上超越了最常用的算法 PPO，且性能沒有損失。

論文鏈接：https://arxiv.org/abs/2310.10505

作者：李子牛，許天，張雨舜，俞揚，孫若愚，羅智泉

機構：香港中文大學（深圳），深圳市大數據研究院，南京大學，南棲仙策

開源代碼：https://github.com/liziniu/ReMax

如未額外說明，所有圖片來自于論文。 背景 今年，以 ChatGPT 為首的大語言模型（Large Language Models, LLMs) 在各個方面大放光彩，由此引發了學術界和商業界對 GPU 等計算資源的需求劇增。

比如監督訓練地調優 (supervised fine-tuning, SFT) 一個 Llama2-7B 的模型，需要消耗 80GB 以上的內存。而這往往不夠，為了和人類對齊（alignment），大語言模型還要經過 RLHF (reinforcement learning from human feedback) 的訓練。RLHF 的 GPU 消耗往往是 SFT 的 2 倍以上，訓練時間更能達到 6 倍以上。 近日，美國政府宣布限制英偉達 GPU 產品 H100, H800等進入中國市場。這項條款無疑為中國發展大語言模型（LLMs) 和人工智能增添了很多阻力。減小 RLHF 的訓練成本（GPU 消耗和訓練時間）對 LLMs 的發展非常重要。 動機 RLHF 包含三個階段： 1. 監督式地調優（Supervised Fine-Tuning, SFT）。 2. 從對比數據中學習獎勵模型（reward model)。 3. 利用強化學習（RL）算法來最大化獎勵。

圖片來源自 InstructGPT 論文 我們發現 RLHF 的主要計算開銷來源于第三階段（獎勵最大化）。這一點可以從 DeepSpeed-Chat 的報告里看到，第三階段的訓練時間是前兩個階段時間總和的 4 倍以上。而且，根據我們的經驗，第三階段的 GPU 消耗是前兩階段的 2 倍以上。

圖片來自 DeepSpeed-Chat 技術報告 目前 RLHF 第 3 階段的主要計算瓶頸是什么？ 我們發現該階段的計算瓶頸主要來源用來目前使用的 RL 算法：PPO 算法。PPO 算法是用來解決普適 RL 問題的最流行的算法之一，有非常多成功的案例。我們在這里省略 PPO 的技術細節，著重介紹 PPO 的一個關鍵組件：價值模型 (The value model)。價值模型是一個需要被訓練的神經網絡，能夠有效地估計給定策略的預期長期回報。盡管價值模型為 PPO 帶來了良好的性能，但它在 RLHF 任務中也引入了沉重的計算開銷。例如，為了更好地與人類偏好對齊，PPO 中的價值模型通常與 LLM 大小相似，這使存儲需求翻了一番。此外，價值模型的訓練需要存儲其梯度、激活和優化器狀態，這進一步增加了近 4 倍的 GPU 存儲需求。總結來說，PPO 和它的價值模型（以及其訓練相關部分）已成為 RLHF 獎勵最大化階段的主要計算障礙。

相比 PPO，ReMax 是輕量級算法 思路是否有可能找到比 PPO 更適配 RLHF 的算法？ 我們得出的答案是肯定的。這是因為 PPO 和價值模型是為通用 RL 問題設計的，而不是針對像 RLHF 這樣的特定問題（RLHF 只是 RL 問題中的一個子類）。有趣的是，我們發現 RLHF 具有三個在 PPO 中未使用的重要結構： 1. 快速模擬（fast simulation）： 軌跡（即 LLM 中的整個響應）可以在很短的時間內迅速執行（小于 1s），幾乎沒有時間開銷。 2. 確定性轉移（deterministic transitions）：上下文確定性依賴于過去的標記和當前生成的標記。 3. 軌跡級獎勵（trajectory-level rewards）：獎勵模型只在響應完成時提供一個獎賞值。 通過這三個觀察，我們不難發現 value model 在 RLHF 的問題中是 “冗余” 的。這是因為 value model 設計的初衷是為了隨機環境下的樣本效率和慢仿真環境的計算效率。然而這在 RLHF 中是不需要的。

ReMax 是針對 RLHF 設計的算法，PPO 則是為通用 RL 設計的算法 方法ReMax ReMax 算法基于一個古老的策略梯度算法 REINFORCE，REINFORCE 使用的策略梯度估計器如下圖所示：

REINFORCE 梯度估計器

REINFORCE可以在計算層面利用好RLHF任務的三個性質，因為REINFORCE直接利用一個響應的獎勵來進行優化，不需要像一般的RL算法一樣需要知道中間步驟的獎勵和值函數。然而，由于策略的隨機性， REINFORCE梯度估計器存在高方差問題（在Richard Sutton的RL書里有指出），這一問題會影響模型訓練的有效性，因此REINFORCE在RLHF任務中的效果較差，見下面兩張圖片。

REINFORCE 的計算代價小，但性能差

REINFORCE 的（隨機）梯度值遠遠大于 ReMax 為解決這一問題，ReMax 使用貪婪生成的回答（greedy response）的獎勵作為基準值（baseline value）來構建梯度估計器，具體公式如下：

ReMax 梯度估計器 注意到，貪婪回復的獎勵可以看作為期望獎勵的好的近似。在理想情形下（)，對于隨機變量，

，因此我們能夠期望估計器具有更小的方差。 ? ? 下圖展示了 ReMax 的算法流程，紅色方框中的是核心算法改變。 ?

ReMax 算法流程 理論保證 我們證明了 ReMax 使用的梯度估計器仍然是真實策略梯度的一個無偏估計器。 詳細理論介紹見論文。 算法優點

ReMax 的核心部分可以用 6 行代碼來實現。相比之下，PPO 要額外引入重要性采樣（importance sampling），廣義優勢估計（generalized advantage estimation，GAE)，價值模型學習等額外模塊。

ReMax 的超參數很少。相比之下，PPO 有額外的超參數，例如重要性采樣剪切閾值（importance sampling clipping ratio）、GAE 系數、價值模型學習率，離策略訓練輪次（off-policy training epoch）等，這些超參數都需要花大量時間去調優。

ReMax 能理論上節省約 50% 內存。相比于 PPO，ReMax 成功移除了所有和價值模型相關的部件，大大減小了內存開銷。通過計算，我們發現相比于 PPO，ReMax 能節省約 50% 內存。

效果有效性

ReMax 可以像 PPO 一樣有效地最大化獎勵

在 OPT-1.3B 上，ReMax 可以有效地最大化獎勵

在 OPT-1.3B 上，ReMax 的訓練非常穩定

在 GPT-4 評估下（LIMA Test Questions），ReMax 得到的策略比 SFT 和 PPO 會更好

GPT4 打分顯示 ReMax 得到的模型會更好 高效性

ReMax 能節省近 50% 的 GPU 內存。ReMax 移除掉了價值模型和它的訓練部分（梯度，優化器，激活值），從而極大節省了 GPU 內存需求。考慮 Llama2-7B，PPO 無法在 8xA100-40GB 的機器上跑起來，但是 ReMax 可以。

在 Llama2-7B 上，ReMax 可以節省近 50% 的 GPU 內存

ReMax 能加快 2 倍的訓練速度。在每一輪中，ReMax 調用 2 次生成（generation），1 次反向傳播（backpropagation）；而 PPO 使用 1 次生成，2 次反向傳播。對于大模型而言，生成會比反向傳播的時間小，從而 ReMax 可以實現理論上接近 2 倍的訓練加速。

通用性 除了 RLHF 任務，作為一個 RL 算法，ReMax 對于經典的 NLP 任務也適用。本文考慮了在 GPT-2 上進行一個電影評論續寫的任務，這里獎勵模型不是從對比數據學習的。實驗觀測到，ReMax 可以實現 2.2 倍的訓練加速和 60% 的 GPU 內存節省。

在經典的 NLP 任務（文本續寫）上，ReMax 相比 PPO 實現了 2.2 倍加速 總結 最后，我們從實驗中簡要總結了 ReMax 相對于 PPO 的主要優勢。

更簡單的實現： ReMax 的核心部分 6 行代碼即可實現。這與 PPO 中的眾多復雜的代碼構建塊形成鮮明對比。

更少的內存開銷：由于移除了價值模型及其全部訓練組件，相比 PPO，ReMax 節省了大約 50% 的 GPU 內存。

更少的超參數: ReMax 成功移除了所有和價值模型訓練相關的超參數，其中包括：GAE 系數、價值模型學習率、重要性采樣時期、小批量（mini-batch）大小。這些超參數往往對問題敏感且難以調整。我們相信 ReMax 對 RLHF 研究者更加友好。

更快的訓練速度：在 GPT2（137M）的實驗中，我們觀察到 ReMax 在真實運行時間方面相比于 PPO 有 2.2 倍的加速。加速來自 ReMax 每次迭代中較少的計算開銷。通過我們的計算，該加速優勢在更大的模型上也能維持（假設在足夠大的內存下 PPO 可以被成功部署）。

優異的性能：如前所示，ReMax在中等規模實驗中與PPO實現了相當的性能，并且有時甚至超越它（可能是由于 ReMax 更容易找到合適的超參數）。我們推測這種良好的性能可以拓展到更大規模的模型中。