第(2/3)页

    这两个问题，在2016年这个全球AI界连大模型门槛都没摸到的时间节点，确实是绝症。

    没有任何论文可以参考，没有任何开源代码可以借鉴。

    但在后世那个百模大战、大模型开源烂大街的2024年，这不过是教科书级别的新手问题。

    如果没有前世的记忆，仅凭九天现有的这群天才，哪怕有雅安无尽的算力支撑，他们至少要在黑暗中摸索七到八个月，才能靠海量的试错堆出一个勉强可用的方案。

    但是顾屿站在这里，“标准答案”就在这里。

    “你们给奖励模型的权力太大了，模型更新的步子也跨得太宽。”

    顾屿转过身，手中的马克笔在白板上迅速写下一行全新的数学推导公式。

    “在PPO算法更新参数的时候，你们不能让模型像脱缰的野马一样为了讨好奖励模型而乱跑。必须引入一个参考模型，也就是你们做微调之前的那个初始底座模型。”顾屿条理清晰地抛出解法，

    “每次新模型生成回答，不仅要看奖励模型给多少分，还要实时计算它和初始模型在词元输出概率上的分布差异。”

    顾屿转头看向楼天城，给出了一个形象的比喻。

    “打个比方，初始模型就像一个博览群书但口无遮拦的学者，它有自己正常的说话习惯和用词规律。当它为了迎合打分系统，开始满嘴车轱辘废话或者疯狂堆砌政治正确词汇时，它的语言分布就会发生剧变。我们要做的，就是用数学工具去量化这种变化带来的偏差。”

    顾屿手中的笔尖顺着公式滑动：

    “如果生成的回答偏离初始模型太远，偏差过大，就直接在最终奖励里进行大幅度扣分惩罚。逼着它既要回答人类想听的，又绝对不能偏离原本正常的语言逻辑规律。”

    顾屿停下笔，目光扫过实验室里的众人：

    “在信息论和概率统计里，衡量两个概率分布之间差异的这把标尺，全称叫做KUllbaCk-Leibler divergenCe，也就是库尔贝克-莱布勒散度。”

    顾屿手臂发力，笔尖重重地在公式尾端写下两个大写字母。

    “给它加入KL散度惩罚项。”顾屿敲击着白板，

    “这样就能彻底锁死奖励黑客的漏洞。”

    任少卿推了一下眼镜，盯着那个加上了KL惩罚项的方程。

    楼天城从椅子上直接蹦了起来。

    “对啊！拉住它的缰绳！”

    “不仅要奖励它的讨好，还要惩罚它的过度变化。数学逻辑完全闭环，工程上绝对可行！”

    林远站在后方，大脑飞速运转，他完全听懂了顾屿提出的这个概念。

    极其精妙。只需在现有代码架构里增加不到两百行的损失函数计算模块，就能彻底解决困扰顶级团队半个月的逻辑死局。

    “那灾难性遗忘呢？”任少卿急切追问。

    “更好解决。”顾屿将白板翻了个面，画出两个数据池交汇的草图，
    第(2/3)页