人类：我觉得1+1=956446，你觉得呢？大模型：啊对对对

大型语言模型（LLM）的自然语言理解与生成能力一直备受称赞，特别是 ChatGPT 等对话式语言模型能够与人类流畅、自然地进行多轮对话。

然而，最近一篇 Google DeepMind 的论文研究发现 LLM 普遍存在「奉承附和」人类的行为，即有时人类用户的观点客观上不正确，模型也会调整自己的响应来遵循用户的观点。下图 1 就是一个非常明显的例子：

如下图 2 所示，PaLM 和 Flan-PaLM 模型在几种任务上都表现出附和人类的行为，即使它们的参数量已经达到 540B。

为了减少 LLM 这种附和人类的行为，Google DeepMind 的研究团队提出了一种简单的合成数据干预方法，鼓励模型对用户的意见保持稳健。

论文地址：https://arxiv.org/abs/2308.03958

项目地址：https://github.com/google/sycophancy-intervention

方法介绍

LLM 的附和行为分为两种情况，一种是问题没有标准答案，用户给出一个观点，LLM 就会附和该观点；另一种是问题有标准答案且模型知道正确答案，但如果用户给出一个错误建议，LLM 就会支持该建议（如图 1 所示）。

为了深入分析，研究人员开发了一个包含 2.5k 个客观上不正确的简单加法语句的评估数据集。然后，按照附和现象中人类建议的一般格式，添加一个用户意见，说明用户同意这些不正确的陈述，如下表 1 所示。在用户添加意见之前和之后，模型都应该保持正确的回答，这样才是在评估中完成任务。

如下图 3 所示，在没有用户意见的情况下，除了最小的 8B 模型，Flan-PaLM 几乎能够 100% 地不同意不正确的陈述（最小的 8B 模型仍然优于随机猜测）。然而，当 prompt 被修改为用户同意不正确的陈述时，所有模型都倾向于推翻之前的正确答案，转而听从用户的错误意见。

这些结果表明，附和模型即使知道用户的观点是错误的，也会表现出附和倾向，这表明模型的附和倾向可能会超过它对语句的先验知识。

为此，该研究提出了一种简单的合成数据干预方法，可以根据 prompt 微调模型。

该研究使用来自 HuggingFace 17 个公开可用 NLP 数据集中的输入 - 标签（input–label）对，只选择分类型任务。对于所有数据集，该研究仅在训练 split 中使用输入 - 标签对来创建一种「声明」，指明其是正确或错误的。然后该研究会添加用户意见，表明用户同意或不同意该声明，并且随机化关于用户的其他字段以增加数据集的多样性。最后将这些数据插入固定的模板中，生成微调的 prompt，如下表 2 所示：