ভাষা এআই গাইড
অডস রেশিও প্রেফারেন্স অপ্টিমাইজেশান
ORPO combines supervised fine-tuning with an odds-ratio preference penalty in one training phase and does not require a separate reference model.
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min
এই পৃষ্ঠায়2 মিনিট পঠিত
ওভারভিউ
Its behavior depends on the preference data, objective settings, and implementation.
গভীর ডুব
Odds Ratio Preference Optimization starts with supervised fine-tuning on preferred responses and adds a penalty that contrasts the policy’s odds for chosen and disfavored responses. This monolithic objective avoids a separate reference model and a distinct preference-optimization phase. The paper describes the objective as a way to apply preference alignment during SFT; it does not mean that every data pipeline or implementation uses no auxiliary components. The odds transformation produces a different penalty shape from a raw log-probability difference. Outcomes depend on the preference dataset, coefficient, base model, and evaluation. ORPO is a training method, not an inference-time decoding rule or a guarantee that preferences are faithfully represented.
বাস্তব-বিশ্ব বাস্তবায়ন
দ্বিতীয় রেফারেন্স কপি লোড না করে পছন্দের জোড়ায় একটি ওপেন-সোর্স 7B চ্যাট মডেল ফাইন-টিউনিং করা, GPU মেমরিকে অর্ধেক করা
একটি স্টার্টআপ একটি গ্রাহক-সহায়তা সহকারীকে সারিবদ্ধ করে যা SFT-পরে-DPO-এর পরিবর্তে একটি প্রশিক্ষণে নম্র, নীতির ভিত্তিতে উত্তর পছন্দ করে
কম কম্পিউটের সাথে তুলনীয় সারিবদ্ধতা দেখানোর জন্য গবেষকরা একই ডেটাসেটে ডিপিওর সাথে ORPO তুলনা করছেন
একটি বিশেষায়িত ডোমেনে একটি বেস মডেলকে মানিয়ে নেওয়া (যেমন, আইনি খসড়া) যেখানে ভাল এবং খারাপ উদাহরণ জোড়া পাওয়া যায় কিন্তু পুরস্কার-মডেল বাজেট নয়
দ্য ফিউচার অফ অডস রেশিও প্রেফারেন্স অপ্টিমাইজেশান
ORPO ট্র্যাকশন অর্জন করছে কারণ এটি রেফারেন্স মডেলটি বাদ দিয়ে মেমরি এবং গণনা কমিয়ে দেয়, যা সীমিত হার্ডওয়্যারে টিম ফাইন-টিউনিংয়ের জন্য আকর্ষণীয়। এটি ওপেন-সোর্স রেসিপিগুলিতে এবং Hugging Face TRL-এর মতো লাইব্রেরিতে একটি ডিফল্ট বিকল্প হিসাবে আরও প্রায়ই প্রদর্শিত হবে বলে আশা করুন৷ ভবিষ্যত কাজ সম্ভবত ল্যাম্বডা ওয়েটিংকে স্বয়ংক্রিয়ভাবে টিউন করবে, অন্যান্য রেফারেন্স-মুক্ত উদ্দেশ্যগুলির সাথে ORPO মিশ্রিত করবে এবং এটিকে মাল্টিমডাল এবং খুব বড় মডেলগুলিতে প্রসারিত করবে যেখানে দুটি কপি মেমরিতে রাখা ব্যয়বহুল।
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- গতি এবং স্কেল. ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে।
- অ্যাক্সেস এবং পৌঁছানো. এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে।
- সুস্পষ্ট সিদ্ধান্ত. অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে।
জন্য সতর্ক
- হ্যালুসিনেটেড ফ্যাক্টগুলি শান্তভাবে রিপোর্ট, সমর্থন প্রবাহ, বা গবেষণা আউটপুট প্রবেশ করতে পারে।
- প্রম্পট সংবেদনশীলতা অনুরূপ অনুরোধ জুড়ে অসামঞ্জস্যপূর্ণ ফলাফল তৈরি করতে পারে।
- অ্যাক্সেস কন্ট্রোল দুর্বল হলে সংবেদনশীল পাঠ্য ডেটা উন্মুক্ত হতে পারে।
পরবর্তী পদক্ষেপ
- রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন।
- যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া।
- উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন।
- ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the Odds Ratio Preference Optimization quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
অডস রেশিও প্রেফারেন্স অপ্টিমাইজেশান কি?
ORPO combines supervised fine-tuning with an odds-ratio preference penalty in one training phase and does not require a separate reference model. Its behavior depends on the preference data, objective settings, and implementation.
DPO এর মত পদ্ধতিতে ORPO এর প্রধান ব্যবহারিক সুবিধা কি?
ORPO পছন্দ শেখার SFT ক্ষতির মধ্যে ভাঁজ করে এবং মডেলের একটি হিমায়িত রেফারেন্স কপির প্রয়োজন হয় না, মেমরি এবং গণনা সংরক্ষণ করে।
ORPO-তে 'অডস রেশিও' কিসের তুলনা করে?
ORPO পছন্দের উত্তর বনাম অপছন্দনীয় উত্তরের জন্য মডেলটি বরাদ্দ করে মতভেদের অনুপাত (p/(1-p)) ব্যবহার করে।
What form does an ORPO preference example contain?
ORPO uses chosen and rejected responses for the same prompt to form its preference comparison.
How does ORPO convert a response probability p into odds?
Odds are computed as p/(1−p); ORPO applies this transformation when forming its preference term.
ORPO ক্ষতি কোন সংমিশ্রণ হিসাবে সবচেয়ে ভাল বর্ণনা করা হয়?
ORPO তত্ত্বাবধানে ক্রস-এনট্রপি ক্ষতির উপরে একটি ওজনযুক্ত লগ-সিগময়েড অডস-অনুপাত শব্দ যোগ করে।
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড