প্রত্যাখ্যান স্যাম্পলিং ফাইন-টিউনিং
প্রত্যাখ্যান স্যাম্পলিং ফাইন-টিউনিং (RFT) অনেক প্রার্থীর উত্তর তৈরি করে, শুধুমাত্র সেরা স্কোরকারীকে রাখে এবং সেই বিজয়ীদের মডেলকে পুনরায় প্রশিক্ষণ দেয়।
ওভারভিউ
It matters because it offers much of RLHF's benefit using straightforward supervised learning instead of complex reinforcement learning.
গভীর ডুব
প্রত্যাখ্যান স্যাম্পলিং ফাইন-টিউনিং, যাকে কখনও কখনও বেস্ট-অফ-এন ফাইন-টিউনিং বলা হয়, Meta-এর লামা 2 এবং লামা 3-এর মতো মডেলগুলি কীভাবে সারিবদ্ধ ছিল তার একটি মূল উপাদান৷ রেসিপিটি সহজ: প্রতিটি প্রম্পটের জন্য, বর্তমান মডেল থেকে বেশ কয়েকটি প্রতিক্রিয়ার নমুনা করুন (বলুন 4 থেকে 64), একটি পুরষ্কার মডেল বা একটি স্বয়ংক্রিয় পরীক্ষক দিয়ে প্রতিটি স্কোর করুন, তারপর শীর্ষস্থানীয় আউটপুটগুলি ব্যতীত সমস্ত বাদ দিন ('প্রত্যাখ্যান করুন')৷ বেঁচে থাকা উচ্চ-মানের নমুনাগুলি একটি নতুন তত্ত্বাবধানে থাকা সূক্ষ্ম-টিউনিং ডেটাসেটে পরিণত হয় এবং মডেলটিকে সাধারণ পরবর্তী-টোকেন ক্ষতির সাথে প্রশিক্ষিত করা হয়। এই লুপটি পুনরাবৃত্তি করা মডেলটিকে নিজে থেকে আরও ভাল উত্তর তৈরির দিকে নিয়ে যায়। যেহেতু মডেলটি তার নিজস্ব ফিল্টার করা আউটপুট থেকে শেখে, RFT এখনও একটি পুরস্কার সংকেত ব্যবহার করার সময় নীতি-গ্রেডিয়েন্ট RL-এর অস্থিরতা এবং টিউনিং মাথাব্যথা এড়ায়।
প্রযুক্তিগত অন্তর্দৃষ্টি
RFT এই সত্যকে কাজে লাগায় যে বহুবার নমুনা নেওয়া এবং সর্বাধিক-পুরস্কার প্রতিক্রিয়া রাখা একটি তীক্ষ্ণ, উচ্চ-মানের বিতরণ থেকে বাছাই করা আনুমানিক। স্ট্যান্ডার্ড ক্রস-এনট্রপির মাধ্যমে সেই বিজয়ীদের প্রশিক্ষণ কার্যকরভাবে মডেলের একক-নমুনা আউটপুটগুলিতে সেই সেরা-অফ-N আচরণকে ফিরে আসে। গণিত বা কোডের মতো যাচাইযোগ্য ডোমেনগুলির জন্য, 'পুরস্কার' কেবলমাত্র চূড়ান্ত উত্তর বা ইউনিট পরীক্ষায় উত্তীর্ণ হতে পারে, একটি শেখা পুরষ্কার মডেলের প্রয়োজনীয়তা সম্পূর্ণরূপে সরিয়ে দেয়।
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।
প্রত্যাখ্যান স্যাম্পলিং ফাইন-টিউনিং এর ভবিষ্যত
RFT আধুনিক পোস্ট-প্রশিক্ষণের কেন্দ্রবিন্দু, প্রায়শই পিপিও এবং ডিপিওর মতো RL পদ্ধতির আগে বা পাশে ব্যবহৃত হয়। সস্তা অনুমান এবং শক্তিশালী স্বয়ংক্রিয় যাচাইকারীর সাথে এর আবেদন বৃদ্ধি পায়: মডেলগুলি স্ব-উত্পাদন এবং স্ব-পরীক্ষায় আরও ভাল হয়, পুনরাবৃত্তিমূলক প্রত্যাখ্যান স্যাম্পলিং সিন্থেটিক-ডেটা এবং স্ব-উন্নতি লুপগুলিকে সমর্থন করে। যুক্তিযুক্ত মডেলগুলির সাথে কঠোর একীকরণের প্রত্যাশা করুন যা চিন্তার যাচাইযোগ্য চেইন তৈরি করে এবং একটি মডেলের নিজস্ব আউটপুটগুলিতে বারবার প্রশিক্ষণের সময় কীভাবে পুরষ্কার হ্যাকিং এবং বৈচিত্র্যের পতন এড়ানো যায় সে সম্পর্কে চলমান অধ্যয়ন।
বাস্তব-বিশ্ব বাস্তবায়ন
প্রতি প্রম্পটে একাধিক উত্তরের নমুনা নিয়ে লামা-স্টাইলের মডেলগুলিকে সারিবদ্ধ করা, সর্বোচ্চ পুরস্কার-মডেল স্কোর রেখে, তারপর সেগুলির উপর SFT
অনেকগুলি সমাধান তৈরি করে এবং সঠিক, পরীক্ষাযোগ্য উত্তরে পৌঁছানো শুধুমাত্র সেইগুলিকে ধরে রাখার মাধ্যমে একটি গণিত সমাধানকারীকে উন্নত করা
কোড জেনারেশন যেখানে প্রার্থীদের রাখা হয় শুধুমাত্র যদি তারা ইউনিট পরীক্ষায় উত্তীর্ণ হয়, তারপর প্রশিক্ষণের ডেটা হিসাবে ব্যবহার করা হয়
পরবর্তী প্রশিক্ষণ রাউন্ডের জন্য একটি মডেলের নিজস্ব সেরা স্ব-উত্পাদিত প্রতিক্রিয়া ফিল্টার করে সিন্থেটিক নির্দেশনা ডেটাসেট তৈরি করা
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 Rejection Sampling Fine-Tuning 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
QLoRA এবং 4-বিট ফাইন-টিউনিং
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Rejection Sampling Fine-Tuning?
প্রত্যাখ্যান স্যাম্পলিং ফাইন-টিউনিং (RFT) অনেক প্রার্থীর উত্তর তৈরি করে, শুধুমাত্র সেরা স্কোরকারীকে রাখে এবং সেই বিজয়ীদের মডেলকে পুনরায় প্রশিক্ষণ দেয়। এটি গুরুত্বপূর্ণ কারণ এটি জটিল শক্তিবৃদ্ধি শিক্ষার পরিবর্তে সরল তত্ত্বাবধানে শিক্ষা ব্যবহার করে RLHF-এর অনেক সুবিধা প্রদান করে।
প্রত্যাখ্যান স্যাম্পলিং ফাইন-টিউনিংয়ের মূল ধারণা কী?
RFT একাধিক প্রতিক্রিয়ার নমুনা দেয়, সর্বোচ্চ স্কোরিংয়ে ফিল্টার করে, এবং সেই বিজয়ীদের মডেলকে সূক্ষ্ম সুর করে।
গণিত বা কোডের মতো যাচাইযোগ্য ডোমেনে, কী পুরস্কার হিসেবে কাজ করতে পারে?
চেকযোগ্য কাজের জন্য, RFT সঠিক শুদ্ধতা ব্যবহার করতে পারে বা ইউনিট পরীক্ষায় উত্তীর্ণ হতে পারে, একটি শেখা পুরস্কার মডেল এড়িয়ে যেতে পারে।
প্রান্তিককরণের সময় কোন মডেল পরিবার বিখ্যাতভাবে প্রত্যাখ্যান স্যাম্পলিং ব্যবহার করে?
Meta Llama 2 এবং Llama 3 মডেলের জন্য প্রশিক্ষণ-পরবর্তী রেসিপির অংশ হিসাবে প্রত্যাখ্যান স্যাম্পলিং ব্যবহার করে বর্ণনা করা হয়েছে।
দলগুলি কেন পিপিও-র মতো নীতি-গ্রেডিয়েন্ট আরএল-এর চেয়ে RFT পছন্দ করতে পারে?
RFT ফিল্টার করা নমুনাগুলিতে স্ট্যান্ডার্ড নেক্সট-টোকেন লস সহ পুনরায় প্রশিক্ষণ দেয়, টিউনিং অসুবিধা এবং নীতি-গ্রেডিয়েন্ট পদ্ধতির অস্থিরতাকে পাশ কাটিয়ে।
সর্বাধিক-পুরস্কারের নমুনার প্রশিক্ষণ কার্যকরভাবে কী করে?
শীর্ষ ফিল্টার করা প্রতিক্রিয়াগুলি থেকে শেখার মাধ্যমে, মডেলটি একক প্রজন্মের মধ্যে উচ্চ-মানের আচরণকে অভ্যন্তরীণ করে তোলে।