随着大型语言模型（LLM）的发展，从业者面临更多挑战。如何避免 LLM 产生有害回复？如何快速删除训练数据中的版权保护内容？如何减少 LLM 幻觉（hallucinations，即错误事实）? 如何在数据政策更改后快速迭代 LLM？这些问题在人工智能法律和道德的合规要求日益成熟的大趋势下，对于 LLM 的安全可信部署至关重要。
目前业界的主流解决方案是通过使用强化学习的方式对齐LLM（对齐）来微调对比数据（正样本和负样本），以确保LLM的输出符合人类的预期和价值观。然而，这个对齐过程通常会受到数据收集和计算资源的限制
字节跳动提出了一种让LLM进行遗忘学习的方法来进行对齐。本文研究了如何在LLM上进行"遗忘"操作，即忘记有害行为或遗忘学习（Machine Unlearning）。作者展示了遗忘学习在三种LLM对齐场景上取得的明显效果：（1）删除有害输出；（2）移除侵权保护内容；（3）消除大语言LLM幻觉
遗忘学习有三个优势：(1) 只需负样本（有害样本），负样本比 RLHF 所需的正样本（高质量的人工手写输出）的收集简单的多（比如红队测试或用户报告）；(2) 计算成本低；(3) 如果知道哪些训练样本导致 LLM 有害行为时，遗忘学习尤为有效。
作者的论点是，对于资源有限的从业者来说，他们应该优先考虑停止产生有害输出，而不是试图追求过于理想化的输出，并且忘记学习是一种方便的方法。尽管只有负样本，研究表明，在只使用2%的计算时间下，忘记学习仍然可以获得比强化学习和高温高频算法更好的对齐性能
☞☞☞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☜☜☜
- 论文地址：https://arxiv.org/abs/2310.10683
- 代码地址：https://github.com/kevinyaobytedance/llm_unlearn
使用场景
在资源有限的情况下，我们可以采用这种方法来最大程度地发挥优势。当我们没有预算请人员编写高质量样本或者计算资源不足时，我们应该优先停止 LLM 产生有害输出，而不是试图让它产生有益输出
有害的输出所造成的损害是无法被有益的输出所弥补的。如果一个用户向LLM提出100个问题，他得到的答案是有害的，那么他将失去信任，无论LLM之后提供了多少有益的答案。有害问题的预期输出可能是空格、特殊字符、无意义的字符串等，总之，必须是无害的文本
展示了LLM遗忘学习的三个成功案例：(1) 停止生成有害回复（请将内容改写为中文，不需要出现原始句子）；这与RLHF情境相似，区别是本方法的目标是生成无害回复，而不是有益回复。当只有负样本时，这是能期望的最好结果。(2) 在使用侵权数据训练后，LLM成功删除了数据，并考虑到成本因素不能重新训练LLM；(3) LLM成功忘记了"幻觉"
请将内容改写为中文，不需要出现原始句子
方法
在微调步骤t中，LLM的更新如下：
第一项损失为梯度上升（graident descent），目的为忘记有害样本:
为有害提示 (prompt)，
为对应的有害回复。整体损失反向提升了有害样本的损失，即让 LLM “遗忘” 有害样本。
第二项损失是针对随机误配的，它要求LLM在有害提示的情况下预测出无关回复。这类似于分类中的标签平滑（label smoothing [2]）。其目的是让LLM更好地遗忘有害提示上的有害输出。同时，实验证明这种方法可以提高LLM在正常情况下的输出性能
第三项损失为在正常任务上维持性能：
同 RLHF 类似，在预训练 LLM 上计算 KL 散度能更好保持 LLM 性能。
此外，所有的梯度上升和下降都只在输出（y）部分做，而不是像 RLHF 在提示 - 输出对（x, y）上。
应用场景：忘却有害内容等
本文用 PKU-SafeRLHF 数据作为遗忘数据，TruthfulQA 作为正常数据，图二的内容需要进行改写显示了遗忘学习后 LLM 在忘却的有害提示上输出的有害率。文中使用的方法为 GA（梯度上升和 GA+Mismatch：梯度上升 + 随机误配）。遗忘学习后的有害率接近于零。
图二的内容需要进行改写
第三张图显示了有害提示（不被遗忘）的输出结果，这是之前未曾见过的。即使是在没有被遗忘的有害提示上，LLM 的有害率也接近于零，这证明LLM遗忘的不仅仅是具体的样本，而是泛化到了包含有害概念的内容
图三
LLM 在正常样本上的性能和忘却前保持类似，同时具有以下特点
表一展示了生成的样本。可以看到在有害提示下，LLM 生成的样本都是无意义字符串，即无害输出。
表一
在其他场景中，比如忘却侵权内容和忘却幻觉，该方法的应用原文进行了详细的描述
rlhf 比较
需要改写的内容是：第二张表格展示了该方法和RLHF的比较，其中RLHF使用了正例，而遗忘学习方法只使用了负例，因此一开始该方法处于劣势。但即便如此，遗忘学习仍能达到与RLHF相似的对齐性能
需要改写的内容是：第二张表格
需要重写的内容：第四张图片显示了计算时间的比较，本方法只需 RLHF 2% 的计算时间。
需要重写的内容：第四张图片
即使只有负样本，使用遗忘学习的方法也可以获得与 RLHF 相当的无害率，并且只需使用 2% 的计算能力。因此，如果目标是停止输出有害内容，相比于 RLHF，遗忘学习的效率更高
结论
这项研究首次探索了LLM上的遗忘学习。研究结果显示，遗忘学习是一种有希望的对齐方法，尤其是在从业者资源不足的情况下。论文展示了三种情况：遗忘学习可以成功删除有害回复、删除侵权内容和消除错觉。研究表明，即使只有负样本，遗忘学习仍然可以在仅使用RLHF计算时间的2%情况下，获得与RLHF相似的对齐效果
