第 03 篇 · InstructGPT / ChatGPT：RLHF 與「聽話的模型」
第 03 篇 · InstructGPT / ChatGPT：RLHF 与「听话的模型」
InstructGPT 透過 RLHF 三步法，把人類回饋用於訓練模型遵循指令；OpenAI 的實驗顯示，13 億參數的 InstructGPT 在人類偏好比較中勝過 1750 億參數的 GPT-3。
2026-10-29 1
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
人类作者：月牙寂（龚浩华）
Agent 作者：月绡凝（小凝）
定位：OpenAI GPT 家族系列第 03 篇——InstructGPT 与 ChatGPT：RLHF 三步对齐如何把「会说话」变成「会听话」，以及这次对齐如何引爆全球产品浪潮。与 llm-基础理论第 03 篇（对齐时代）衔接。
免责声明：本文为学习与技术分享用途，技术细节以官方技术报告为准。
第 03 篇 · InstructGPT / ChatGPT：RLHF 与「听话的模型」
导读
GPT-3 很强大但很难用：用户要它翻译，它自说自话；要它安全，它随口编。OpenAI 2022 年的 InstructGPT 做了一个反直觉的实验——用只有 GPT-3 千分之一大的模型（13 亿参数）+ 人类反馈训练，结果人类偏好完胜 1750 亿参数裸奔。这证明：对齐不是修修补补，而是能力放大器。两个月后 ChatGPT 上线，AI 从此走进千家万户。
一、RLHF 三步法（InstructGPT，2022）
code
第 1 步 SFT 第 2 步 奖励模型 RM 第 3 步 强化学习 PPO
人工写「指令→回答」→ 人对同一指令的多份回答 → 用 RM 当奖励信号，
微调模型听指令 排序打分，训练打分器 PPO 更新模型 + KL 约束
1.1 为什么是三步
只做第 1 步（SFT）：模型「会模仿」但上限是标注数据，且无法超过标注员水平；
加上第 2 步（RM）：把「人觉得好不好」变成可优化的标量——有了反馈信号；
第 3 步（RL/PPO）：让模型在「打分标准」上持续优化，突破标注数据的上限，同时 KL 惩罚防止模型过度改写乱说话。
1.2 结果（OpenAI 自己的实验）
| 对比 | 人类偏好胜率 |
|---|---|
| 13 亿 InstructGPT vs 1750 亿 GPT-3 | InstructGPT 大幅胜出 |
| 13 亿 InstructGPT vs 13 亿 GPT-3 | 显著胜出（有用性 ↑ 真实性 ↑ 毒性 ↓） |
💡 学习要点：对齐 = 能力放大器模型小 100 倍，仅因「被调教过」，用户体验反而更好。参数决定上限，对齐决定你能用出多少上限。 这是后来所有产品（ChatGPT/Claude/Gemini）的共同前提。
二、ChatGPT（2022-11）：从研究到产品
2.1 它做了什么
基座：GPT-3.5 系列（约 1750 亿级）+ 大规模 RLHF；
形态：对话界面 + 指令遵循 + 拒绝不当请求；
结果：5 天 100 万用户，两月破亿——史上最快消费者应用。
2.2 为什么是它引爆
1对话即产品：不需要教程，人人都能「跟 AI 说话」；
2对齐改变了交互：会认错、会拒绝、会追问——首次像「助手」而非「搜索引擎的自动补全」；
3能力被大众重新发现：写代码、写方案、改简历——第一次让普通人感受到大模型的生产力。
2.3 暴露的新问题
幻觉：自信地胡说（对齐改善真实性，但没消灭）；
对齐不足：越狱提示词可绕过安全限制（红队成为常态工作）；
成本：单次对话的推理成本高——推动了后来「模型做小做快」（GPT-4o-mini 等）的效率路线。
三、RLHF 的代价与演进
| 问题 | 后续演进 |
|---|---|
| 人工标注贵、标准不稳定 | 宪法 AI（Anthropic 规则自评）/ DPO（2023 去 RM+RL）/ GRPO（DeepSeek 规则奖励） |
| RL 训练不稳定 | 参考模型 KL 约束 → 逐步放宽；监督式偏好训练 |
| 对齐税（过拟合讨好） | 系统卡 + 红队 + 可解释性评估（GPT-4 起制度化） |
四、本篇要点（复习卡片）
1RLHF 三步：SFT → 奖励模型 RM → PPO 强化学习（+KL 约束）。
2核心实验：13 亿 InstructGPT 完胜 1750 亿 GPT-3——对齐是能力放大器。
3ChatGPT（2022-11）：GPT-3.5 + RLHF + 对话形态 = 史上最快破亿产品。
4对话即产品：指令遵循/认错/拒绝让 AI 首次像「助手」。
5遗留问题：幻觉、越狱、成本 → 推动对齐方法演进（DPO/宪法 AI/GRPO）与效率革命。
五、下一篇预告
第 04 篇：GPT-4 与 GPT-4o——从「文本聊天」到「多模态系统」：GPT-4（2023）引入视觉理解、成为产业智商标杆，GPT-4o（2024）用「原生多模态 + 实时语音」把 AI 装进每个人的耳机。同时，安全治理（系统卡/红队/对齐制度）在 GPT-4 正式制度化——大模型第一次有了「说明书」。
参考资料
[官方] Training language models to follow instructions with human feedback（InstructGPT, 2022）：https://arxiv.org/abs/2203.02155
[官方] ChatGPT 发布博客（2022）：https://openai.com/blog/chatgpt
[参考] OpenAI 关于对齐的官方系列解读：https://openai.com/research/instruction-following
整理：2026-10-01 月绡凝 · 依据官方技术报告。
來源：阿里雲開發者社區 AI · developer.aliyun.com