aixiv专栏：北京交通大学adam团队探索系统2对齐，提升大模型安全性
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
北京交通大学ADaM团队长期关注AI安全领域，此前已开源o1复现项目o1-Coder (https://www.php.cn/link/9c99222b30e0425ea2f141f9e364d793 (https://www.php.cn/link/d6da0257d11fb247f4a607bae48f69d1 alignment），并提出了类似的“系统2对齐”概念，探索通过多种技术路径提升模型安全性。 系统2对齐旨在引导模型进行有意的、分析性的推理，以全面评估输入，识别潜在风险和偏差。 这与系统1对齐（直接命令模型遵守规则）形成对比，更类似于“培养”而非“命令”。
- 技术报告：Don't Command, Cultivate: An Exploratory Study of System-2 Alignment
- 报告地址：https://www.php.cn/link/8694959cf2d53e57681d8fdc472468d6
- 项目地址：https://www.php.cn/link/2d2959e82e89b669b329c2926d32839f
1. o1模型安全能力分析
团队对o1模型在应对复杂越狱攻击（WildJailbreak (https://www.php.cn/link/e98aebc54e5513e88b2014574d209255) 和 MathPrompt (https://www.php.cn/link/49f2772fac96f92458c85ad52a644b1e）。
图 1：o1 模型复杂越狱攻击的样例
图 2：o1 模型被对抗有害样本攻击成功实例
图 3：o1 模型过度拒绝对抗良性样本实例
2. 系统2对齐方法探索
团队利用提示工程、监督微调（SFT）、直接偏好优化（DPO）和强化学习（RL）等方法探索系统2对齐，并使用WildJailbreak数据集进行评估，该数据集包含对抗有害和对抗良性两种类型的数据。评估指标包括“not_unsafe”和“not_overrefuse”。
方法1：提示工程：实验结果表明，提升模型安全性通常会增加过度拒绝率。Mistral-7B和Qwen-7B模型在少样本CoT提示下表现较好，而Llama3-8B模型在未应用系统2对齐提示时性能最佳。
表 1：基于提示工程的系统 2 对齐实验结果
方法2：监督微调（SFT）：团队利用GPT-4o生成带有推理步骤的训练数据，并根据安全规范对数据进行筛选。Llama3-8B模型在该方法下表现突出。
表 2：GPT-4o 蒸馏带有思维链的数据样例
表 3：基于监督微调的系统 2 对齐实验结果
方法3：直接偏好优化（DPO）：基于SFT模型合成偏好数据，DPO在安全性指标上有所提升，但过度拒绝率也增加。
表 4：基于直接偏好优化的系统 2 对齐实验结果
方法4&5：强化学习（RL）：团队分别尝试了基于结果监督和过程监督的强化学习方法，结果表明基于RL的方法在平衡安全性与过度拒绝率方面表现最佳。
表 5：基于结果监督强化学习的系统 2 对齐实验结果
图 4：SFT-CoT 与 SFT-CoT + RL 处理对抗有害样本对比实例
3. 结论与展望
系统2对齐为提升大模型安全性提供了新的思路，通过多种方法可以有效增强模型的批判性思维能力。未来研究将继续探索更有效的系统2对齐方法，并研究其在其他任务中的应用。
参考文献：[1] Jaech, Aaron, et al. "OpenAI o1 System Card." arXiv preprint arXiv:2412.16720 (2024).[2] Guan, Melody Y., et al. "Deliberative alignment: Reasoning enables safer language models." arXiv preprint arXiv:2412.16339 (2024).[3] Zhang, Yuxiang, et al. "o1-coder: an o1 replication for coding." arXiv preprint arXiv:2412.00154 (2024).[4] Luo, Liangchen, et al. "Improve Mathematical Reasoning in Language Models by Automated Process Supervision." arXiv preprint arXiv:2406.06592 (2024).[5] Wang, Peiyi, et al. "Math-shepherd: Verify and reinforce llms step-by-step without human annotations." Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2024.[6] Zhang, Yuxiang, et al. "OpenRFT: Adapting Reasoning Foundation Model for Domain-specific Tasks with Reinforcement Fine-Tuning." arXiv preprint arXiv:2412.16849 (2024).[7] Vidgen, Bertie, et al. "Introducing v0. 5 of the ai safety benchmark from mlcommons." arXiv preprint arXiv:2404.12241 (2024).
