让我们把一切都整合在一起，看看您将如何在强化学习过程中使用奖励模型来更新LLM的权重，并生成与人对齐的模型。请记住，您希望从已经在您感兴趣的任务上表现良好的模型开始。您将努力使指导发现您的LLM对齐。首先，您将从提示数据集中传递一个提示。在这种情况下，"A dog is..."，传递给指导LLM，然后生成一个完成，这种情况下是"... a furry animal."一只毛茸茸的动物。接下来，您将将此完成和原始提示一起发送给奖励模型，作为提示完成对。奖励模型基于其训练的人类反馈评估对，然后返回一个奖励值。较高的值，如此处显示的0.24，表示更加对齐的响应。较不对齐的响应将获得较低的值，例如-0.53。然后，您将将这个提示完成对的奖励值传递给强化学习算法，以更新LLM的权重，并使其生成更加对齐、奖励更高的响应。
我们将称这个中间版本的模型为RL更新的LLM。这一系列步骤组成了RLHF过程的单次迭代。
这些迭代将继续进行一定数量的回合，类似于其他类型的微调。在这里，您可以看到RL更新的LLM生成的完成获得了更高的奖励分数，表明权重的更新导致了更加对齐的完成。
如果这个过程运行良好，您将看到在每次迭代后奖励得到改善，
因为模型生成的文本越来越符合人类的偏好。
您将继续进行这个迭代过程，直到您的模型根据某些评估标准对齐。例如，达到您定义的有用性的阈值。您还可以定义一个最大步数，例如20,000，作为停止标准。在这一点上，让我们将经过微调的模型称为与人对齐的LLM。
我们尚未讨论的一个细节是强化学习算法的确切性质。
这是一个算法，它接受奖励模型的输出，并使用它来随着时间的推移更新LLM模型的权重，以增加奖励分数。有几种不同的算法可以用于RLHF过程的这一部分。一个常见的选择是近端策略优化Proximal Policy Optimization，简称PPO。
PPO是一个相当复杂的算法，您不必熟悉所有细节就能使用它。然而，这可能是一个难以实现的算法，如果您在使其工作时遇到问题，更详细地了解其内部工作原理可能有助于您进行故障排除。为了更详细地解释PPO算法的工作原理，我邀请了我的AWS同事Ek为您提供有关技术细节的更深入了解。下一个视频是可选的，您可以随意跳过它，转到奖励作弊视频。您不需要这里的信息来完成测验或本周的实验。但是，我鼓励您查看这些详细信息，因为RLHF在确保LLM在部署中以安全和对齐的方式行为方面变得越来越重要。