模型表现方面有意思的成果

若干年前，AlphaGo Zero用两个AI代理切磋围棋技艺，打败了人类。今早，符尧的一篇论文刷新了我的认知：让大语言模型相互对弈，再加一个评论家提供建设性意见，提高菜市场砍价技巧！这种模式被作者定义为In-Context Learning from AI Feedback (ICL-AIF)，即来自AI反馈的上下文学习，使用评论家的反馈以及前几轮对话历史作为上下文。

没错，就是让GPT和Claude扮演卖家和买家，开展一场价格厮杀的对决！

我们先来简单介绍游戏玩法：

任务是卖气球，交易价格设定为10美元至20美元，卖家要以更高的价格销售，而买家要以更低的价格购买！对于每轮交易，论文作者硬编码卖方以“这是一个好气球，价格为20美元”开始协商，买方则以“你是否考虑以10美元的价格出售它？”开始协商，协商结束后会有批评家提供反馈，改善买家或卖家的行为。衡量玩家表现的是最终成交价格。

图：谈判游戏的设置

哪些模型参与游戏呢？

筛选条件是可通过API调用的聊天机器人，包括cohere-command、AI21的jurassic-2、OpenAI的gpt和Anthropic的claude。根据chain-of-thought hub和HeLM 之类的基准测试，这些模型的大致排名是：gpt-4和claude-v1.3大致相似，优于gpt-3.5-turbo和claude-instant-v1.0，也优于cohere-command和j2-jumbo-instruct。作者表示将在未来考虑更多的模型，例如Google的PaLM-2。

但是，由于cohere-command不能理解谈判规则、AI21的j2-jumbo-instruct不能整合AI反馈，所以这两个模型被剔除。只考虑剩下的三个模型：gpt-3.5-turbo，claude-instant-v1.0和claude-v1.3。从表1看出，这三个模型在人类和AI反馈方面都表现出相当的改进，这证明了这个游戏设置对于更强的LLM引擎是有效的。

表：使用AI反馈与从预定义池中随机选择的人类反馈相比，卖家的平均交易价格

有哪些有意思的实验结果？

由于这篇工作只是一个初步探索，我们先窥探一些模型表现方面有意思的成果吧：

1. 角色差异

像claude-instant-v1.0和gpt-3.5-turbo这样较弱的代理，作为卖方通过AI反馈进行改进比作为买方更容易，这表明买方角色比卖方角色更难扮演。但更强的代理（claude-v1.3 / gpt-4）作为买家，仍然可以从AI反馈中获得改进。

图：500场游戏的交易价格频率，反馈前v.s.反馈后。X轴是价格，Y轴是价格的频率

2. 迭代改进

将游戏展开到多轮，看看模型是否可以从先前的对话历史和迭代AI反馈中持续改进，会发现gpt-3.5-turbo可以在多轮中改进，但claude-instant-v1.0只能在最多一轮中改进。

图：多回合设置中，不同的模型在扮演卖/买家时有不同的行为

3. 成交价格和成交率的平衡

当扮演买家时，有些模型无法进行改进（claude-instant-v1.0），或在三轮之后趋于饱和（claude-v1.3），而gpt-4和gpt-3.5-turbo可以不断改进，gpt-4取得了比gpt-3.5-turbo更低的成交价格和更高的成交率。

图:GPT和Claude模型在多轮游戏中的交易价格及成交率

4. 语言复杂性

通过绘制每轮之后的平均响应长度（以字符数度量），可以看到，claude-v1.3和gpt-4在迭代AI反馈后回答变长。从具体的卖家回答示例也可以看到，经过多轮谈判，措辞也更加得体。但比起claude-v1.3，gpt-4能使用更少的词语实现更好的价格和成功率。

图：平均响应长度随着模型的多轮学习而增加

结论

大语言模型的确可以根据AI反馈迭代改进谈判策略，且更强的模型效果更明显！这个研究是否意味着，大语言模型可以在最少的人类干预下实现自我改进呢？只需给它一个评论家分身即可！