内容摘要：狂语言模子因其强盛而通用的语言天生、清晰能耐，揭示出了成为通用智能体的后劲。与此同时，在凋谢式的情景中探究、学习则是通用智能体的紧张能耐之一。因此，狂语言模子若何适配凋谢天下是一个紧张的钻研下场。北京

狂语言模子因其强盛而通用的模自磨炼语言天生、清晰能耐 ，主探智源揭示出了成为通用智能体的究凋后劲 。与此同时，谢天下北在凋谢式的提出情景中探究、学习则是框架通用智能体的紧张能耐之一。因此，模自磨炼狂语言模子若何适配凋谢天下是主探智源一个紧张的钻研下场 。

北京大学以及北京智源家养智能钻研院的究凋团队针对于这个下场提出了 LLaMA-Rider ，该措施给予了大模子在凋谢天下中探究使命、谢天下北群集数据、提出学习策略的框架能耐 ，助力智能体在《我的模自磨炼天下》（Minecraft）中自主探究取患上悉识并学习处置种种使命，提升智能体自主能耐以及通用性。主探智源

• 论文链接：https://arxiv.org/abs/2310.08922

• 代码链接：https://github.com/PKU-RL/LLaMA-Rider

一 、究凋情景反映驱动的探究与学习

LLaMA-Rider 着眼于让狂语言模子 (LLM) 顺应情景从而后退在情景中处置多使命的能耐。LLM 在预磨炼阶段取患上的知识与实际情景很可能存在不不同 
，这每一每一导致抉择规画过错。为了处置这个下场 ，现有的措施有些运用揭示工程，经由以及 LLM 频仍交互让其取患上情景信息  ，不外并不更新 LLM；有些运用强化学习在线微调 LLM，不外其合计价钱高且难以扩展到多使命以及重大使命。

LLaMA-Rider 对于此提出了新的思绪。它首先运用情景的反映信息，靠 LLM 自己的能耐在情景中探究，群集乐成履历。之后，LLaMA-Rider 将履历整分解把守数据集妨碍学习 ，更新自己的知识 。这样一个两阶段的磨炼框架让 LLaMA-Rider 可能在 Minecraft 情景中的 30 个使命上取患上逾越 ChatGPT 使命妄想器的平均展现，并揭示出对于新使命的泛化能耐。

在探究阶段，LLaMA-Rider 运用反映 - 更正机制来妨碍自动探究。在每一个光阴步上，LLaMA-Rider 接管文本化的情景信息以及使命信息，并给出下一步的抉择规画 。由于与情景的知识差距 ，该抉择规画可能无奈在情景中实施并触发情景的反映信息 ，而该反映信息会再次输入给 LLaMA-Rider，向导其更正抉择规画 。凭仗 LLM 自己的高下文清晰能耐以及情景反映信息 ，LLaMA-Rider 可高效探究凋谢天下。

为了将 LLM 的文本输入立室到情景的措施空间，LLaMA-Rider 运用了一组预磨炼的本领作为本领库，并运用本领检索模块将 LLM 的输入文本以及本领库中的本领形貌妨碍立室 ，检索最挨近的本领。由于本领形貌以及情景中的措施比照具备更多的语义，这种方式可能更大水平运用 LLM 的能耐。

此外，LLaMA-Rider 运用了子使命重标志的措施
，在探究历程中用之后正在实现的子使命信息交流输入中的原始使命信息，让 LLM 在探究历程中能关注当下的子目的 ，后退使命乐成率
 。

在学习阶段，探究时群集到的履历将会整分解把守数据集 ，用以对于 LLM 妨碍把守微调 (SFT) 。数据会集同样接管子使命重标志的措施让 LLaMA-Rider 学习到使命之间的子使命组合性 ，后退策略的泛化能耐。

二、试验下场

LLaMA-Rider 运用的狂语言模子为近期推出的 LLaMA-2-70B-chat 。在 Minecraft 的三类共 30 个使掷中，LLaMA-Rider 的展现逾越了基于 ChatGPT 的使命妄想器，而且经由学习后的 LLaMA-Rider 所能实现的使命数目也逾越了它在探究阶段能乐成的数目，揭示出 LLaMA-Rider 对于凋谢天下中不断学习以及多使命处置的能耐 。

与强化学习 (RL) 措施比照 ，LLaMA-Rider 则揭示出了高采样功能以及低磨炼价钱的优势
。纵然在难度较重大
、实现步数较短的木料相关使命上 ，RL 措施也难以取患上磨炼成果，表明强化学习的磨炼措施难以扩展到大措施空间以及重大的场景中。而 LLaMA-Rider 在探究阶段只接管了 5-10 次的使命探究便实现数据群集，在学习阶段也只在搜罗 1.3k 样本量的数据集上妨碍磨炼就取患了下场提升。

作者进而发现 ，在对于上述的 30 个使命妨碍探究学习后 ，LLaMA-Rider 在测试时对于学习历程中未探究过的更难题的铁矿相关使命，也能取患上下场的提升。这进一步展现了 LLaMA-Rider 学习到的抉择规画能耐的泛化性。

在消融试验中，作者运用搜罗更多子使命的石头相关使命，验证了子使命重标志的措施对于使命乐成率以及使命泛化能耐的关键熏染。

除了此之外，尽管 LLaMA-Rider 只学习了使命抉择规画相关的数据 ，看成者运用使命相关的下场妨碍提问时 ，LLaMA-Rider 也给出了更精确的回覆，表明它在磨炼历程中同样学习到了情景知识，证实 LLaMA-Rider 起到了与情景知识对于齐的熏染。

三、总结

作者提出了 LLaMA-Rider 的狂语言模子磨炼框架，让狂语言模子凭证情景反映散漫自己能耐自主探究凋谢天下，并凭证群集到的履历实现高效学习 ，在 Minecraft 情景中取患了比搜罗 ChatGPT 使命妄想器在内的其余措施更好的处置多使命的能耐，让狂语言模子取患了对于凋谢天下的顺应性。此外，LLaMA-Rider 能运用以前使命的履历处置新使命的泛化能耐标明了该措施运用于大模子一生探究学习的远景 。