內(nèi)功和外功，作為諸多武俠小說的兩大流派，有著諸多區(qū)別。內(nèi)功主要是內(nèi)力，外功主要是拳腳功夫，如熟知的降龍十八掌就是外家的頂峰功夫，任何武功若想發(fā)揮最大的威力都離不開內(nèi)功的精深。內(nèi)功是道，外功是術(shù)，道術(shù)結(jié)合，東方不敗。作為一個業(yè)余的武俠小說愛好者和剛?cè)腴T的科研愛好者，這次從內(nèi)功和外功的兩個角度出發(fā)，介紹我們我們組在 EMNLP 2023 中的兩個工作，如有不當(dāng)之處，敬請原諒：

何為內(nèi)功？

何為內(nèi)功？按我的理解，要有功法，要運(yùn)轉(zhuǎn)多少個小周天，大周天，要有真氣，真氣運(yùn)轉(zhuǎn)之后要不變的更多，要不變的質(zhì)量更好。何為功法？唯有 LLM 是也。何為小周天，大周天？唯有不同的 prompt engieering 或者說不同 path 的 chain-of-thoughts。何為真氣？即為對話歷史，也就是當(dāng)前的輸入。對話歷史里面蘊(yùn)藏著很多語義學(xué)線索，Mairesse 就研究過從對話歷史中識別出來人物性格特點等，比如性子急的講話就比較急躁，除此之外，其他工作也探索了類似情緒，心理狀態(tài)等等不同方面的語義學(xué)線索，這些語義學(xué)線索在生成個性化回復(fù)的時候尤為重要。

正如我們?nèi)祟愒谶M(jìn)行對話的時候，不可避免的會考慮對方的性格習(xí)慣，當(dāng)下的情緒和心理狀態(tài)等，LLM 在進(jìn)行對話的時候也需要考慮到這些因素，從而生成更有幫助，更容易被用戶接受的回復(fù)。而相較于傳統(tǒng)的 standard prompting 而言，LLM 直接依賴對話歷史進(jìn)行回復(fù)，沒有顯示的建模剛剛提到的隱藏在對話歷史中豐富的用戶信息，我們提出一種新的 CoT 方法，Cue-CoT，把用戶回復(fù)生成建模成多階段的推理過程：

O-Cue：One-step inference， 類似于傳統(tǒng)的 CoT，一步直接生成中間推理過程和最終回復(fù)。首先我們要求 LLM 推理出來當(dāng)前對話歷史里面蘊(yùn)含的不同維度的用戶信息（使用不同的 prompts），然后我們讓 LLM 接著生成最終的回復(fù)。（相對復(fù)雜的指令和內(nèi)容臃腫的輸出）

M-Cue：Multi-step inference，我們逐步的生成我們想要 LLM 輸出的內(nèi)容。和 O-Cue 一樣，這里第一步我們要求 LLM 推理出來當(dāng)前對話歷史里面蘊(yùn)含的不同維度的用戶信息，然后給定對話上下文和第一步生成的中間結(jié)果，我們第二步讓 LLM 接著生成最終的回復(fù)。（相對簡單的指令和內(nèi)容清晰的輸出）

這兩種 prompting 的處理方式不同，帶來了 Zero-shot setting 和 One-shot setting（受限于 LLM input limit 和對話長度）的差別。

Zero-shot Setting：在 O-Cue 中，由于單步指令較復(fù)雜（不要要進(jìn)行推理還要進(jìn)行回復(fù)生成，以及生成的格式要求），單步生成內(nèi)容過多，導(dǎo)致 LLM 無法很好的理解指令；生成內(nèi)容較短，無論是中間推理結(jié)果還是最后回復(fù)的長度相對于 M-Cue 都短一點，另外還有一個嚴(yán)重的問題是生成內(nèi)容無法很好的切分，因為一部分 LLM 無法按照要求的格式進(jìn)行輸出。

One-shot Setting：在進(jìn)行 demostration selection 的過程中，也有著很大的區(qū)別。O-Cue 只能依賴單一的 input 即當(dāng)前的對話上下文來作為 query 去 demostration pool 里面進(jìn)行選擇，而 M-Cue 在每一步都可以根據(jù)不同的 input 去作為 query 進(jìn)行選擇。

總的來說，M-Cue 這種處理方式可以增強(qiáng)整個系統(tǒng)的解釋性和控制性，我們對于中間結(jié)果可以進(jìn)行編輯，比如增加對于當(dāng)前用戶的其他渠道的數(shù)據(jù)，或者過濾掉不好或者不正確的推理結(jié)果，其次這種中間結(jié)果可以作為 demostration selection 的一個標(biāo)準(zhǔn)，從而幫助我們更好的選擇 demostration。

我們在 5 個中英文 LLM，6 個數(shù)據(jù)集（中文：Zhihu，D4，PsyQA；英文：Quora，ED，EMH）上將我們提出的 O-Cue 和 M-Cue 與傳統(tǒng)的 standard prompting 進(jìn)行了對比，這里具體的分析可以參考原文，總體來說我們發(fā)現(xiàn)：

整體來說：大部分情況下 Cue-Cot 都能夠取得比 standard prompting 更好的效果（win rates 超過 50%），其中受益于相對簡單的指令和多步推理的輸出，M-Cue 比 O-Cue 能夠?qū)崿F(xiàn)更高的 win rate。此外我們發(fā)現(xiàn)中文大模型上 acceptability 的 win rates 比 helpfulness 低，而英文大模型上剛好相反，我們猜測可能是由于中文大模型在根據(jù)當(dāng)前用戶的情感，性格等因素生成更容易被用戶接受的回復(fù)的能力略弱，而僅僅考慮了 helpfulness 這個維度。

中文大模型：我們發(fā)現(xiàn) ChatGLM 在 O-Cue 的情況下是三個模型當(dāng)中最差的，然后我們檢查了對應(yīng)的輸出，我們發(fā)現(xiàn) ChatGLM 基本上忽視了給定的指令而直接進(jìn)行對話；或者沒有按照指令要求輸出對應(yīng)的格式，這可能歸結(jié)為其不同的訓(xùn)練方式。但是在 M-Cue 的情況下所有的大模型都能很好的跟隨指令，這種情況下由于 D4 的對話上下文是最長的，導(dǎo)致其效果是三個數(shù)據(jù)集中最差的。

英文大模型：在 O-Cue 的情況下 Alpaca 也出現(xiàn)了類似 ChatGLM 的問題，即不能很好的跟隨指令，此外英文大模型在較長的對話輸入等場景下也表現(xiàn)不佳。整體來說 ChatGPT 和 Vicuna 的指令跟隨能力更強(qiáng)，相較于 Alpaca 而言都傾向于生成較長的回復(fù)。

注：以上實驗結(jié)果均基于 2023 年 5 月左右的模型表現(xiàn)。

以上均是方法層面的直接對比，我們額外進(jìn)行了模型層面的對比。將 ChatGPT 作為錨點，我們評估了現(xiàn)有模型的相對表現(xiàn)。

我們將中文和英文分別作為兩個坐標(biāo)軸，以 ChatGPT 為中間點將第一象限分為四個不同的區(qū)域，區(qū)域一代表中英文均比 ChatGPT 差；區(qū)域二代表英文比 ChatGPT 好，但是中文較差；區(qū)域三代表中文比 ChatGPT 好，但是英文較差；區(qū)域四代表中英文均比 ChatGPT 好。我們發(fā)現(xiàn)目前在區(qū)域四還是沒有出現(xiàn)任何一個模型，我們設(shè)想了三種不同的路徑來幫助我們得到區(qū)域四的模型。

路徑一：直接不斷外推現(xiàn)有的 ChatGPT 的能力，如圖中橙色所示，OpenAI 可能是這條路線。

路徑二：由當(dāng)前中文模型進(jìn)一步的在英文語料上進(jìn)行訓(xùn)練，如 ChatGLM 或者其他中文模型。

路徑三：由當(dāng)前英文模型進(jìn)一步的在中文語料上進(jìn)行訓(xùn)練，如 LLaMA 系列的中文版本，Vicuna 和 Alpaca 的中文版本。

我們看到其實目前來說路徑三里面的模型是最多的，路徑一可能是最難的，路徑二一方面是現(xiàn)有的中文模型的基座能力還沒有達(dá)到上限；另一方面其英文能力可能也不是主流大模型玩家在乎的；還有一種可能是英文能力即使拉上去，可能也干不過 SOTA ：）

很多只需要當(dāng)前的對話歷史作為輸入，從而得到最終的答案的對話任務(wù)，如回復(fù)多樣性，回復(fù)選擇，對話信息抽取，對話摘要等等，都屬于內(nèi)功。內(nèi)功練得好，外功就用的越溜，因為在這個過程中，真氣沒有流失，要不壓縮之后進(jìn)一步提純，質(zhì)量變得更好了，比如從非結(jié)構(gòu)化數(shù)據(jù)變成結(jié)構(gòu)化數(shù)據(jù)；要不信息量得到增強(qiáng)，如情感分析等。這兩種不同的處理導(dǎo)致的結(jié)果都是變的更加適配下游任務(wù)了。

何為外功？

那何為外功？外功由內(nèi)力驅(qū)使，借助外力，如刀槍劍戟，即為不同的工具。功法，運(yùn)轉(zhuǎn)路徑，真氣，也是缺一不可。唯一不同的是這時候需要使用不同的刀法，劍法，即為不同工具的使用方法。那何時，何地使用工具，使用哪一個工具呢？這就是我們另外一個工作 SAFARI 所要探索的問題。

開放域?qū)υ捪到y(tǒng)往往需要很多的外部知識，比如用戶的 persona，和 wikipedia 上的 document，以及其他的一些我們設(shè)計出來的一些幫助我們生成更好回復(fù)的數(shù)據(jù)庫等等。這些不同的外部知識，比如 persona 和 document，其實就是不同的 conceptual tool ［1］。

很多時候，不是每一輪對話都需要這些外部知識，也不是一下子就需要使用所有的外部知識，更復(fù)雜的是有時候這些知識庫之間存在依賴，比如我們傾向于見人說人話，見鬼說鬼話，這就是根據(jù)不同人的 persona 使用了不同的 document 的結(jié)果，所以這里的 document 就是依賴于對話者的 persona 的。而之前的開放域?qū)υ捪到y(tǒng)大部分都是針對單一知識來源，要不是 persona 要不是 document 要不是其他的，也有一部分工作是考慮了多個外部知識的復(fù)合作用，但是不加區(qū)分的對于對話中的每一輪都使用所有知識，這無疑會帶來額外的消耗和不必要的浪費。

在本篇工作中，我們首先構(gòu)造了一個數(shù)據(jù)集，建模了 persona 和 document 之間的依賴關(guān)系，其中 persona 的維度包括了年齡，性別，民族，愛好等 12 個維度，基本涵蓋了當(dāng)下個性化對話的大部分需求，然后我們按照不同的 persona description 提供了對應(yīng)的 document，包括 5 個不同的 knowledge sentences。

舉個例子，persona description 包括有：我今年 16 歲，那對應(yīng)的 document 里面包括的知識可能是 16 歲是未成年人，16 歲無法喝酒 等等。一條簡單的 persona 描述背后可能隱藏著非常多的常識知識和世界知識，退一步說，即使 persona 和 document 之間沒有直接的聯(lián)系，我們在做 document selection 的時候其實還是受到 persona 或者 memory 等因素隱性的影響，參考《There Are a Thousand Hamlets in a Thousand People’s Eyes： Enhancing Knowledge-grounded Dialogue with Personal Memory》［2］。

總的來說，我們首先構(gòu)建了將近 3k 多條多輪對話，在一個多輪對話包括三個不同的場景：1）不使用任何外部知識；2）僅使用 persona knowledge source；3）既使用 persona 又使用 documents（這里 persona 和 document 存在依賴關(guān)系）。

為了同時建模這三種場景，我們提出一個框架 SAFARI，將外部知識選擇和回復(fù)生成進(jìn)行解耦。具體來說我們將整個對話回復(fù)生成解耦成三個任務(wù)，1）Planning：規(guī)劃是否需要使用知識，何時使用知識，以及多種知識庫之間的調(diào)用順序；2）Retrieval：使用外部的 retriever 對上一步規(guī)劃使用的知識庫按順序抽取對應(yīng)的 Top-n 的輔助文檔；3）Assembling：將對話上下文和中間抽取到的輔助文檔拼接在一起進(jìn)行最終的回復(fù)生成。

我們同時研究了在 supervised 和 unsupervised 兩種設(shè)定下 SAFARI 的實現(xiàn)方式，并且評估了三種不同 LLM 的表現(xiàn)（BELLE，ChatGLM 和 ChatGPT）。

Supervised SAFARI：我們將整個過程建模成一個序列生成任務(wù)，整體思想類似于 ReWOO+ToolkenGPT 的結(jié)合體，但是限于匿名期，我們沒有及時的披露。

具體來說，我們將不同的 source（不使用任何 source 視為 NULL）作為 special tokens 加入到大模型的詞表里面，然后要求大模型輸出一個 source 序列，代表不同 source 一個調(diào)用順序，如下圖所示，然后我們將對應(yīng) source 的 ground-truth 輔助文檔和對話上下文，輸出的 source 作為輸入，要求大模型輸出最終的模型，以這種形式，我們只需要將 loss 加在 source 訓(xùn)練和最終的回復(fù)上即可進(jìn)行端到端的訓(xùn)練。推理的時候需要進(jìn)行兩步推理，和以上介紹的類似，不再贅述。

Unsupervised SAFARI：給定一些 demostrations，我們直接使用 prompt 來要求大模型輸出我們需要的內(nèi)容，比如第一步要求大模型直接輸出 source 序列，第二步根據(jù)對話上下文和中間輔助文檔生成對應(yīng)的回復(fù)。prompt 如圖所示：

我們詳細(xì)對比了不同的大模型在兩種設(shè)定下的表現(xiàn)，首先我們看 planning 的表現(xiàn)，如下圖所示，整體而言經(jīng)過訓(xùn)練的大模型能夠取得比 unsupervised 更好的效果（LoRA 微調(diào)），但是在 NULL 和 Persona 的效果仍然不是很理想，這可能和我們的數(shù)據(jù)分布比較相關(guān)。

在 unsupervised 的設(shè)定下，我們發(fā)現(xiàn) zero-shot 情況下 BELLE 和 ChatGLM 通常表現(xiàn)出過度自信（大部分都選擇不使用任何知識），而 ChatGPT 就好很多，但是也仍然無法理解多個 source 之間存在 dependency 的情況，很多 cases 下僅僅選擇使用 Documents，In-context learning 無法帶來明顯的增益，這一方面是由于我們使用的是隨機(jī)選擇的 3 個案例作為 demostrations，另一方面 in-context learning 在解決大模型的 uncertainy 上似乎也不是一個有效方案 ［3］。

然后我們看 Assmbling 的表現(xiàn)，由于這里的 Assemling 非常依賴上面的 planning 的結(jié)果，所以需要結(jié)合起來進(jìn)行分析。經(jīng)過訓(xùn)練的模型往往能取得更好的效果，尤其是在 BLEU1 和 RougeL上，然后在 unsupervised 下，Zero-shot ChatGPT 的效果都是最好的，而 In-context learning 的時候 BELLE 是最好的，這是由于 In-context learning 的 BELLE 在進(jìn)行 planning 的時候選擇了大量的 Persona，所以導(dǎo)致會使用更多的輔助文檔，相較于 In-context ChatGPT 而言，從而取得更好的效果。

其他消融分析和實驗結(jié)果可以參考原文，我們還對比了不同的 source 策略的效果，比如無腦選擇使用所有 source，無腦使用 Persona 等等。我們相信 SAFARI 框架還有這巨大的潛力等待挖掘，也可以用來處理現(xiàn)實生活中更加復(fù)雜的場景，但受限于時間和 benchmark 的缺乏，我們沒有做更進(jìn)一步的驗證，我們也歡迎感興趣的同學(xué)或者老師一起合作交流。

寫在最后

本文探討了一種以內(nèi)外的視角去看待大模型時代下的對話系統(tǒng)，我們也關(guān)注內(nèi)外合并，并做了簡單的初步探索，歡迎大家關(guān)注我們的下一篇文章?？偟膩碚f，我們認(rèn)為對話上下文中蘊(yùn)含的豐富的內(nèi)部信息 + 外部知識調(diào)用將會是未來 LLM-based 對話系統(tǒng)的重要研究方向，尤其是在與不同的 Source，不同的 Task 上的交互從而帶來的不同應(yīng)用場景和設(shè)計。Stay Tuned！！