本文也是LLM相关的综述文章，针对《Aligning Large Language Models with Human: A Survey》的翻译。
在大量文本语料库上训练的大型语言模型（LLM）已成为一系列自然语言处理（NLP）任务的领先解决方案。尽管这些模型具有显著的性能，但它们容易受到某些限制，如误解人类指令、生成潜在的偏见内容或事实上不正确（产生幻觉）的信息。因此，将LLM与人类期望相结合已成为研究界关注的一个活跃领域。本调查全面概述了这些对齐技术，包括以下方面。（1） 数据收集：有效收集LLM对齐的高质量指令的方法，包括使用NLP基准、人工注释和利用强大的LLM。（2） 训练方法：详细审查LLM调整所采用的主流训练方法。我们的探索包括监督微调，在线和离线人类偏好训练，以及参数有效的训练机制。（3） 模型评估：评估这些与人类一致的LLM有效性的方法，为其评估提供了多方面的方法。最后，我们整理和提炼了我们的发现，为该领域未来的几个有前景的研究途径提供了线索。因此，对于任何致力于理解和推进LLM调整以更好地适应以人为本的任务和期望的人来说，这项调查都是一项宝贵的资源。收集最新论文的相关GitHub链接可在https://github.com/GaryYufei/AlignLLMHhumanSurvey。
LLM对齐的发展仍处于初级阶段，因此还有很大的改进空间。在本节中，我们在表1中总结了将LLM与人类相结合的现有重要研究工作。下面，我们将讨论其中的一些挑战以及相应的未来研究方向。
本次综述对LLM对齐技术的最新进展进行了最新综述。我们将这些研究工作总结为对齐指令收集、对齐训练和对齐评估。最后，我们指出了LLM对齐的几个有前景的未来方向。我们希望这项调查能够提供有见地的视角，并激励进一步研究如何改善LLM的一致性。
