Преглед
Оптимизацията на предпочитанията за съотношение на коефициентите (ORPO) е метод за фина настройка, който учи езиков модел на добро поведение и човешки предпочитания в едно обучение. Има значение, защото пропуска обичайния отделен модел на възнаграждение и референтния модел, което прави подравняването по-евтино и по-лесно.
Оптимизирането на предпочитанията за съотношение на коефициентите е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
ORPO, представен от Хонг, Лий и Торн през 2024 г., съчетава контролирана фина настройка и подравняване на предпочитанията в една стъпка. Повечето тръбопроводи за подравняване първо правят SFT на добри примери, след което изпълняват втори метод като RLHF или DPO, който изисква замразено копие на модела (референция) плюс съхранени двойки предпочитания. ORPO премахва изцяло референтния модел. Загубата му добавя наказателен срок към стандартната цел за следващ жетон: повишава шансовете, които моделът присвоява на избрания (предпочитан) отговор, като същевременно намалява шансовете за отхвърления. Тъй като използва съотношението на шансовете, а не силна разлика в логаритмичните вероятности, наказанието е нежно, така че моделът се научава да предпочита добрите отговори, без катастрофално да забравя плавното генериране.
Техническа информация
Загубата на ORPO е SFT крос-ентропийна загуба плюс претеглен логаритмичен сигмоид на съотношението на логаритмичните шансове между избраните и отхвърлените отговори. Шансовете са равни на p/(1-p), така че съотношението сравнява колко по-вероятно е моделът да намери добрия отговор спрямо лошия. Използването на коефициенти вместо сурова вероятност запазва контраста мек, което предотвратява прекомерното потискане на отхвърлени токени, което може да влоши нереферентния модел.
Овладяване на оптимизацията на предпочитанията за коефициенти
Оптимизацията на предпочитанията за съотношение на коефициентите (ORPO) е метод за фина настройка, който учи езиков модел на добро поведение и човешки предпочитания в едно обучение. Има значение, защото пропуска обичайния отделен модел на възнаграждение и референтния модел, което прави подравняването по-евтино и по-лесно. Оптимизирането на предпочитанията за съотношение на коефициентите 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 оптимизирането на предпочитанията за съотношение на коефициентите 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 Optimization на коефициентите на предпочитания, проектират подкани, извличане и цикли за 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 7B чат модел с отворен код върху двойки предпочитания без зареждане на второ референтно копие, намаляване наполовина на GPU паметта
Стартъп, който насочва асистента за поддръжка на клиенти да предпочита учтиви отговори в съответствие с правилата в едно обучение вместо SFT-then-DPO
Изследователи, сравняващи ORPO срещу DPO на същия набор от данни, за да покажат сравнимо съответствие с по-ниски изчисления
Адаптиране на базов модел към специализирана област (напр. изготвяне на правни документи), където са налични двойки добри и лоши примери, но бюджетът за модел на възнаграждение не е
Модели на изпълнение
Оптимизация на предпочитанията за коефициенти на практика
Фина настройка на 7B чат модел с отворен код върху двойки предпочитания без зареждане на второ референтно копие, намалявайки наполовина GPU паметта.
Фина настройка на модел за чат с отворен код 7B на двойки предпочитания без зареждане на второ референтно копие, намаляване наполовина на паметта на графичния процесор 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.
Оптимизация на предпочитанията за коефициенти на практика
Стартъп, който настройва асистент за поддръжка на клиенти да предпочита учтиви отговори в съответствие с правилата в едно обучение вместо SFT-then-DPO.
Стартъп, който насочва асистент за поддръжка на клиенти да предпочита учтиви, съобразени с правилата отговори в едно обучение вместо SFT-следва-DPO Екипите обикновено получават по-добри резултати, когато определят 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.
Оптимизация на предпочитанията за коефициенти на практика
Изследователи сравняват ORPO срещу DPO на същия набор от данни, за да покажат сравнимо съответствие с по-ниски изчисления.
Изследователи, сравняващи ORPO срещу DPO на един и същ набор от данни, за да покажат сравнимо съответствие с по-ниски изчисления. 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.
Оптимизация на предпочитанията за коефициенти на практика
Адаптиране на базов модел към специализирана област (напр. изготвяне на правни документи), където са налични двойки добри и лоши примери, но бюджетът за модел на възнаграждение не е такъв.
Адаптиране на базов модел към специализиран домейн (напр. изготвяне на правни документи), където са налични двойки добри и лоши примери, но бюджетът на модела за възнаграждение не е Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат път на 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.