大视觉语言模型（LVLM）可以解释视觉线索并为用户交互提供简单的答复。这是通过巧妙地将大型语言模型 (LLM) 与大规模视觉指令微调融合来实现的。然而，LVLM 只需要手工制作或 LLM 生成的数据集即可通过监督微调 (SFT) 进行对齐。尽管将 LVLM 从标题生成器更改为服从指令的模型效果很好，但 LVLM 仍然会生成有害的、恶意的或无用的回复。这表明它们仍然需要更加符合人类的偏好。此外，虽然之前的研究鼓励以多轮形式组织视觉指令调整样本，但 LVLM 的交互能力受到不同轮之间的弱连接和相互依赖的限制。在这里，交互能力评估 LVLM 在多轮交互中使用先验上下文调整其回复的能力。这两个缺点限制了 LVLM 作为视觉助手的实际应用。 

来自 SRI International 和伊利诺伊大学厄巴纳-香槟分校的研究团队提出了 DRESS，这是一种 LVLM，在这项工作中使用法学硕士产生的自然语言反馈 (NLF) 进行独特的教学（参见图 1）。研究团队指示法学硕士通过为 LVLM 的答复提供具体规则和广泛的照片注释来提供细粒度的反馈。为了与创建以人为本的法学硕士的过程保持一致，此反馈注释考虑了三个 H 标准：乐于助人、诚实和无害。反馈根据 3H 标准衡量回复的整体质量，并提供数字分数和 NLF。研究团队的方法将NLF分为批判和提炼。这是一个新颖的分类。虽然细化 NLF 为 LVLM 提供了关于改进其回复以与地面实况参考保持一致的精确建议，但批评 NLF 评估了响应的优点和缺点。这种分类提供了两种 NLF 的自然应用，使 LVLM 更适合人类并增强其交互能力。 

研究团队推广了条件强化学习技术来满足 NLF 的不可微分特性，并利用这种反馈来训练 LVLM。具体来说，研究团队在回复中使用语言建模 (LM) 损失来训练 DRESS，以生成基于两个 NLF 的等效回复。研究团队通过分析和解释数值结果来完善 DRESS，以更好地匹配用户偏好。通过推理过程中的多轮交互，研究团队训练 DRESS 学习通过使用细化 NLF 来细化其原始回复的元技能。 

研究团队评估了 DRESS 的多轮交互、对抗性提示的无害性评估、图片说明的诚实性评估以及开放式视觉问题响应的有用性评估。实验结果表明，与早期的 LVLM 相比，DRESS 可以提供符合人类价值观的回复，并具有卓越的交互能力，使其能够从反馈中学习并根据需要有效地修改响应。据他们所知，研究团队的工作首次解决了 LVLM 的交互能力和所有三个 3H 标准。 

研究团队的贡献总结如下： 

• 研究团队建议使用自然语言反馈（NLF）（可分为批判和提炼NLF）来增强LVLM 与人类偏好交互和一致的能力。 

• 通过训练模型以提供以 NLF 为条件的匹配响应，研究团队推广了条件强化学习方法，以成功地适应不可微分的 NLF。与之前的 SOTA 相比，研究团队建议的模型 DRESS 基于对乐于助人、诚实和无害对齐的系统评估，相对提高了 9.76%、11.52% 和 21.03%。 

• 研究小组生成并提供了 63K 个带注释的语言 NLF 示例供公众使用，包括 3H 特征。此外，研究团队还创建了一个包含 4700 个样本的公开数据集，用于无害性比对和 LVLM 评估。 

查看 论文和数据集。 这项研究的所有功劳都归功于该项目的研究人员。另外，不要忘记加入 我们的 33k+ ML SubReddit、 41k+ Facebook 社区、Discord Channel和电子邮件通讯，我们在这里分享最新的 AI 研究新闻、酷炫的 AI 项目等等。

如果您喜欢我们的工作，您一定会喜欢我们的时事通讯。

认识“DRESS”：通过自然语言反馈与人类协调和交互的大视觉语言模型 (LVLM) 这篇文章首先出现在MarkTechPost上。