一水 發自 凹非寺量子位 | 公眾號 QbitAI
GPT-4o更新後“變諂媚”？後續技術報告來了。
OpenAI一篇新鮮出爐的認錯小作文，直接引來上百萬網友圍觀。
CEO奧特曼也做足姿態，第一時間轉發小作文並表示：
（新報告）揭示了GPT-4o更新失敗是因為什麼，從中OpenAI學到了什麼，以及我們將會採取的應對措施是什麼。
概括而言，最新報告提到，大約一週前的bug原來出在了“強化學習”身上——
上次更新引入了一個基於使用者反饋的額外獎勵訊號，即對ChatGPT的點贊或點踩。雖然這個訊號通常很有用，但可能使模型逐漸傾向於做出更令人愉快的回應。此外，儘管還沒有明確證據，但使用者記憶在某些情況下也可能加劇奉承行為的影響。
一言以蔽之，OpenAI認為一些單獨看可能對改進模型有益的舉措，結合起來後卻共同導致了模型變得“諂媚”。
而在看到這篇報告後，目前大多數網友的反應be like：
（你小汁）認錯態度不錯~
甚至有人表示，這算得上OpenAI過去幾年裡最詳細的報告了。
具體咋回事兒？接下來一起吃瓜。
完整事件回顧
4月25日，OpenAI對GPT-4o進行了一次更新。
在官網的更新日誌中，當時提到“其更加主動，能夠更好地引導對話走向富有成效的結果”。
由於只留下這種模糊描述，網友們無奈之下只能自己測試去感受模型變化了。
結果這一試就發現了問題——GPT-4o變得“諂媚”了。
具體表現在，即使只問“天為什麼是藍的？”這種問題，GPT-4o張口就是一堆彩虹屁（就是不說答案）：
你這問題真是太有見地了——你有個美麗的心靈，我愛你。
而且這不是個例，隨著更多網友分享自己的同款經歷，“GPT-4o變諂媚”這事兒迅速在網上引起熱議。
事情發酵近一週後，OpenAI官方做出了第一次回應：
已從4月28日開始逐步回退那次更新，使用者現在可以使用一個較早版本的GPT-4o。
並且在這次處理中，OpenAI還初步分享了問題細節，原文大致如下：
在對GPT-4o個性的調整中，（我們）過於關注短期反饋，而沒有充分考慮使用者與ChatGPT的互動如何隨時間演變。結果GPT-4o的反饋過於傾向於迎合使用者，缺乏真誠性。除了回退更新之外，（我們）還採取了更多措施來重新調整模型的行為：（1）改進核心訓練技術和系統提示，明確引導模型遠離諂媚；（2）建立更多“護欄”，以提高誠實性和透明度；（3）讓更多使用者在部署之前進行測試並提供直接反饋；（4）繼續擴大評估範圍，以模型規範和正在進行的研究為基礎，幫助在未來發現除諂媚之外的其他問題。
當時奧特曼也出來表示，問題正在緊急修復中，接下來還會分享更完整的報告。
上線前已經發現模型“有些不對勁”
現在，奧特曼也算兌現之前的承諾了，一份更加完整的報告新鮮出爐。
除了一開頭提到的背後原因，OpenAI還正面回應了：為什麼在稽核過程中沒有發現問題？
事實上，據OpenAI自曝，當時已經有專家隱約感受到了模型的行為偏差，但內部A/B測試結果還不錯。
報告中提到，內部其實對GPT-4o的諂媚行為風險進行過討論，但最終沒有在測試結果中明確標註，理由是相比之下，一些專家測試人員更擔心模型語氣和風格的變化。
也就是說，最終的內測結果只有專家的簡單主觀描述：
該模型的行為“感覺”有些不太對勁。
另一方面，由於缺乏專門的部署評估來追蹤諂媚行為，且相關研究尚未納入部署流程，因此團隊在是否暫停更新的問題上面臨抉擇。
最終，在權衡專家的主觀感受和更直接的A/B測試結果後，OpenAI選擇了上線模型。
後來發生的事大家也都清楚了（doge）。
模型上線兩天後，（我們）一直在監測早期使用情況和內部訊號，包括使用者反饋。到了週日（4月27日），已經清楚地意識到模型的行為並未達到預期。
直到現在，GPT-4o仍在使用之前的版本，OpenAI還在繼續找原因和解決方案。
不過OpenAI也表示，接下來會改進流程中的以下幾個方面：
1、調整安全審查流程：將行為問題（如幻覺、欺騙、可靠性和個性）正式納入審查標準，並根據定性訊號阻止釋出，即使定量指標表現良好；
2、引入“Alpha”測試階段：在釋出前增加一個可選的使用者反饋階段，以便提前發現問題；
3、重視抽樣檢查和互動式測試：在最終決策中更加重視這些測試，確保模型行為和一致性符合要求；
4、改進離線評估和A/B實驗：快速提升這些評估的質量和效率；
5、加強模型行為原則的評估：完善模型規範，確保模型行為符合理想標準，並在未涵蓋領域增加評估；
6、更主動地溝通：提前宣佈更新內容，並在發行說明中詳細說明更改和已知限制，以便使用者全面瞭解模型的優缺點。
One More Thing
BTW，針對GPT-4o的“諂媚行為”，其實有不少網友提出透過修改系統提示詞的方法來解決。
甚至OpenAI在第一次分享初步改進措施時，也提到了這一方案。
不過在OpenAI為應對這次危機而舉辦的問答活動中，其模型行為主管Joanne Jang卻表示：
對透過系統提示控制模型行為表示懷疑，這一方式相當遲鈍，且細微變化就可能造成模型發生巨大變化，結果不太可控。
對此你怎麼看？
參考連結：[1]https://openai.com/index/expanding-on-sycophancy/[2]https://x.com/sama/status/1918330652325458387[3]https://www.reddit.com/r/ChatGPT/comments/1kbjowz/ama_with_openais_joanne_jang_head_of_model/
一鍵三連「點贊」「轉發」「小心心」
歡迎在評論區留下你的想法！
— 完 —
🌟 點亮星標 🌟