অডস রেশিও প্রেফারেন্স অপ্টিমাইজেশান
অডস রেশিও প্রেফারেন্স অপ্টিমাইজেশান (ওআরপিও) হল একটি ফাইন-টিউনিং পদ্ধতি যা একটি একক প্রশিক্ষণ পাসে একটি ভাষা মডেলের ভাল আচরণ এবং মানুষের পছন্দ শেখায়।
ওভারভিউ
It matters because it skips the usual separate reward model and reference model, making alignment cheaper and simpler.
গভীর ডুব
ORPO, 2024 সালে Hong, Lee, এবং Thorne দ্বারা প্রবর্তিত, তত্ত্বাবধানকৃত ফাইন-টিউনিং এবং পছন্দের প্রান্তিককরণকে এক ধাপে একত্রিত করে। বেশিরভাগ সারিবদ্ধ পাইপলাইনগুলি প্রথমে ভাল উদাহরণগুলিতে SFT করে, তারপরে RLHF বা DPO এর মতো একটি দ্বিতীয় পদ্ধতি চালায় যার জন্য মডেলের একটি হিমায়িত অনুলিপি (একটি রেফারেন্স) এবং সঞ্চিত পছন্দ জোড়া প্রয়োজন৷ ORPO রেফারেন্স মডেলটিকে সম্পূর্ণরূপে সরিয়ে দেয়। এর ক্ষতি স্ট্যান্ডার্ড পরবর্তী-টোকেন উদ্দেশ্যের সাথে একটি পেনাল্টি শব্দ যোগ করে: এটি প্রত্যাখ্যানের মতভেদকে কমিয়ে দেওয়ার সময় নির্বাচিত (পছন্দের) প্রতিক্রিয়ার জন্য মডেল দ্বারা নির্ধারিত প্রতিকূলতা বাড়ায়। কারণ এটি একটি শক্তিশালী লগ-সম্ভাব্যতার ব্যবধানের পরিবর্তে প্রতিকূল অনুপাত ব্যবহার করে, জরিমানাটি মৃদু, তাই মডেলটি সাবলীল প্রজন্মকে বিপর্যয়করভাবে ভুলে না গিয়ে ভাল উত্তরের পক্ষে শেখে।
প্রযুক্তিগত অন্তর্দৃষ্টি
ORPO এর ক্ষতি হল SFT ক্রস-এনট্রপি লস এবং নির্বাচিত এবং প্রত্যাখ্যান করা প্রতিক্রিয়াগুলির মধ্যে লগ অডস অনুপাতের একটি ওজনযুক্ত লগ-সিগময়েড। অডস সমান p/(1-p), তাই অনুপাত তুলনা করে যে মডেলটি খারাপের বিপরীতে ভালো উত্তর খুঁজে পাওয়ার সম্ভাবনা কতটা বেশি। অপরিশোধিত সম্ভাবনার পরিবর্তে প্রতিকূলতা ব্যবহার করা বৈসাদৃশ্যকে মৃদু রাখে, যা প্রত্যাখ্যাত টোকেনগুলির অত্যধিক দমনকে বাধা দেয় যা একটি রেফারেন্সবিহীন মডেলকে অবনমিত করতে পারে।
কৌশলগত প্রভাব
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।
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।
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
ঝুঁকি এবং প্রহরী
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।
বাস্তবায়ন রোডম্যাপ
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Odds Ratio Preference Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
সরাসরি পছন্দ অপ্টিমাইজেশান
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Odds Ratio Preference Optimization?
অডস রেশিও প্রেফারেন্স অপ্টিমাইজেশান (ওআরপিও) হল একটি ফাইন-টিউনিং পদ্ধতি যা একটি একক প্রশিক্ষণ পাসে একটি ভাষা মডেলের ভাল আচরণ এবং মানুষের পছন্দ শেখায়। এটি গুরুত্বপূর্ণ কারণ এটি সাধারণ পৃথক পুরস্কার মডেল এবং রেফারেন্স মডেল এড়িয়ে যায়, সারিবদ্ধকরণকে সস্তা এবং সহজ করে তোলে।
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।
ORPO একটি প্রশিক্ষণ পাসে কোন দুটি কাজ সম্পাদন করে?
ORPO স্ট্যান্ডার্ড SFT নেক্সট-টোকেন উদ্দেশ্যকে একত্রিত ক্ষতিতে অগ্রাধিকার পেনাল্টির সাথে একত্রিত করে।
কেন ORPO জরিমানার জন্য একটি কাঁচা লগ-সম্ভাব্যতা পার্থক্যের পরিবর্তে অডস ব্যবহার করে?
প্রতিকূলতা-ভিত্তিক শাস্তিটি মৃদু, অনির্ধারিত মডেলকে সাবলীল প্রজন্ম ধরে রাখতে সাহায্য করে এবং এখনও ভাল উত্তর পছন্দ করে।
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।