Reuse Your Rewards: Reward Model Transfer for Zero-Shot Cross-Lingual Alignment

要約

人間が注釈を付けた嗜好データに基づいて言語モデル (LM) を調整することは、実用的でパフォーマンスの高い LM ベースのシステムを取得するための重要なステップです。
ただし、多言語の人間の嗜好データを大規模に取得することは困難であるため、このフレームワークを多様な言語に拡張することが困難になります。
この研究では、ゼロショットの言語間の調整のためのシンプルなアプローチを評価します。このアプローチでは、報酬モデルが 1 つのソース言語の嗜好データに基づいてトレーニングされ、他のターゲット言語に直接適用されます。
要約とオープンエンド型ダイアログの生成に関して、この方法が人間による評価を含む包括的な評価設定の下で一貫して成功することを示します。人間は、評価インスタンスの最大 70% で、言語間で調整されたモデルが、調整されていないモデルよりも好まれます。
さらに、異なる言語の報酬モデルは、同じ言語の報酬モデルよりもより適切に調整されたモデルを生成する場合があることがわかりました。
また、調整中の別のコンポーネントである教師あり微調整さえも行う言語固有のデータがない場合のベスト プラクティスも特定します。

要約(オリジナル)

Aligning language models (LMs) based on human-annotated preference data is a crucial step in obtaining practical and performant LM-based systems. However, multilingual human preference data are difficult to obtain at scale, making it challenging to extend this framework to diverse languages. In this work, we evaluate a simple approach for zero-shot cross-lingual alignment, where a reward model is trained on preference data in one source language and directly applied to other target languages. On summarization and open-ended dialog generation, we show that this method is consistently successful under comprehensive evaluation settings, including human evaluation: cross-lingually aligned models are preferred by humans over unaligned models on up to >70% of evaluation instances. We moreover find that a different-language reward model sometimes yields better aligned models than a same-language reward model. We also identify best practices when there is no language-specific data for even supervised finetuning, another component in alignment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google