Преглед
Директната оптимизация на предпочитанията (DPO) е начин за привеждане в съответствие на езиковите модели с човешките предпочитания, без да се обучава отделен модел на възнаграждение или да се изпълнява обучение за подсилване. Той срива сложен многоетапен тръбопровод в единична, стабилна тренировъчна загуба.
Директната оптимизация на предпочитанията е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
DPO, въведен от Рафаилов и колеги от Станфорд през 2023 г., преосмисля как учим модел какво предпочитат хората. Традиционният подход (RLHF) обучава модел на възнаграждение върху човешки сравнения, след което използва обучение за подсилване, за да увеличи максимално тази награда. Ключовото прозрение на DPO е математическо: оптималната политика при тази цел на RLHF има връзка в затворена форма с наградата, така че можете да пренаредите уравненията и да оптимизирате езиковия модел директно върху двойки предпочитания. Вие му давате подкана, „избран“ (предпочитан) отговор и „отхвърлен“ отговор, а проста загуба в стил на класификация подтиква модела да направи избрания отговор относително по-вероятен. Без модел на възнаграждение, без цикъл на вземане на проби, без хакване на награди. Тя е много по-проста и по-стабилна за работа.
Техническа информация
DPO използва двоична кръстосана загуба на ентропия спрямо двойки предпочитания. Той увеличава коефициента на логаритмична вероятност на избрания отговор спрямо отхвърления, като всеки се измерва спрямо замразен референтен модел (обикновено наблюдаваната и фино настроена начална точка). Температурен параметър бета контролира колко далеч политиката може да се отклони от тази референция, имплицитно налагайки KL ограничението, което RLHF прилага изрично. Наградата никога не се материализира; това е имплицитно в собствените логаритмични вероятности на политиката.
Овладяване на директна оптимизация на предпочитанията
Директната оптимизация на предпочитанията (DPO) е начин за привеждане в съответствие на езиковите модели с човешките предпочитания, без да се обучава отделен модел на възнаграждение или да се изпълнява обучение за подсилване. Той срива сложен многоетапен тръбопровод в единична, стабилна тренировъчна загуба. Директната оптимизация на предпочитанията е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте директната оптимизация на предпочитанията като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи директна оптимизация на предпочитанията, проектират цикли за подкани, извличане и преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Фина настройка на отворени модели за чат като Zephyr и много производни на Llama и Mistral, които бяха приведени в съответствие с DPO на набори от данни за предпочитания
Намаляване на вредните или безполезни резултати с помощта на двойки, където безопасният, полезен отговор е „избран“ пред проблемния
Обучение на асистент за кодиране да предпочита правилни, добре документирани решения пред такива с грешки, като използва сравнения, оценени от разработчици
Настройване на стила на обобщаване, така че моделите да предпочитат кратки, верни резюмета пред многословни или халюцинирани такива
Модели на изпълнение
Директна оптимизация на предпочитанията на практика
Фина настройка на отворени модели за чат като Zephyr и много производни на Llama и Mistral, които бяха приведени в съответствие с DPO на набори от данни за предпочитания.
Фина настройка на отворени модели за чат като Zephyr и много производни на Llama и Mistral, които бяха приведени в съответствие с DPO върху набори от данни за предпочитания. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Директна оптимизация на предпочитанията на практика
Намаляване на вредните или безполезни резултати с помощта на двойки, където безопасният, полезен отговор е „избран“ пред проблемния.
Намаляване на вредните или безполезни резултати с помощта на двойки, при които безопасният, полезен отговор е „избран“ пред проблемния Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Директна оптимизация на предпочитанията на практика
Обучение на асистент за кодиране да предпочита правилни, добре документирани решения пред такива с грешки чрез сравнения, оценени от разработчици.
Обучение на асистент за кодиране да предпочита правилни, добре документирани решения пред такива с грешки, като използва сравнения, оценени от разработчици Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Директна оптимизация на предпочитанията на практика
Настройване на стила на обобщаване, така че моделите да предпочитат кратки, верни резюмета пред многословни или халюцинирани.
Настройване на стила на обобщаване, така че моделите да предпочитат кратки, верни резюмета пред многословни или халюцинирани. Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.