A continuaciónSiguiente guía
QLoRA y ajuste fino de 4 bits
Idioma IA
GUÍA de IA en idiomas
Ajuste fino del muestreo de rechazo
Rejection-sampling fine-tuning generates candidate responses, filters them with a reward model or verifier, and uses selected examples for supervised training.
Escuche esta guíaNarrado por IA · ~2 min
En esta pagina2 minutos de lectura
Descripción general
It can be simpler than policy-gradient optimization, but quality depends on the candidate pool and scorer.
Buceo profundo
A rejection-sampling fine-tuning loop prompts a policy to generate multiple candidates, scores them with a reward model or task-specific verifier, and retains examples meeting a selection rule. The model is then fine-tuned with supervised learning on selected responses. In verifiable tasks, tests or exact-answer checks can provide a reward; open-ended tasks often rely on learned preference scores. Llama 2-Chat’s paper describes rejection sampling as one stage of its alignment pipeline. RFT can transfer best-of-N behavior into a model, but cannot select answers absent from the candidate pool and may overfit or exploit an imperfect scorer. It is not equivalent to every RLHF recipe and does not guarantee higher quality or diversity.
Implementación en el mundo real
Alinear modelos estilo Llama muestreando múltiples respuestas por mensaje, manteniendo las puntuaciones más altas del modelo de recompensa, luego SFT en esas
Mejorar un solucionador matemático generando muchas soluciones y reteniendo solo aquellas que alcanzan la respuesta correcta y verificable.
Generación de código donde los candidatos se conservan solo si pasan las pruebas unitarias y luego se utilizan como datos de entrenamiento.
Creación de conjuntos de datos de instrucciones sintéticas filtrando las mejores respuestas autogeneradas de un modelo para la siguiente ronda de entrenamiento
El futuro del ajuste del muestreo de rechazo
RFT es fundamental para la posformación moderna y se utiliza a menudo antes o junto con métodos de RL como PPO y DPO. Su atractivo crece con inferencias baratas y verificadores automáticos sólidos: a medida que los modelos mejoran en la autogeneración y la autoverificación, el muestreo de rechazo iterado respalda los datos sintéticos y los ciclos de automejora. Espere una integración más estrecha con modelos de razonamiento que produzcan cadenas de pensamiento verificables y un estudio continuo sobre cómo evitar la piratería de recompensas y el colapso de la diversidad cuando se entrena repetidamente con los resultados propios de un modelo.
Poniéndolo en práctica
Por qué es importante
- Velocidad y escala. Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
- Acceso y alcance. Amplía el acceso a través de idiomas y estilos de comunicación.
- Decisiones más claras. Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
cuidado con
- Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
- La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
- Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Próximos pasos
- Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
- Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
- Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
- Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Rejection Sampling Fine-Tuning quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es el ajuste fino de la muestra por rechazo?
Rejection-sampling fine-tuning generates candidate responses, filters them with a reward model or verifier, and uses selected examples for supervised training. It can be simpler than policy-gradient optimization, but quality depends on the candidate pool and scorer.
¿Qué bucle describe mejor cómo el ajuste fino del muestreo de rechazo mejora un modelo?
RFT toma muestras de múltiples respuestas, filtra las que tienen mayor puntuación y ajusta el modelo en función de esos ganadores.
En dominios verificables como las matemáticas o el código, ¿qué puede servir como recompensa?
Para tareas verificables, RFT puede utilizar la corrección exacta o pasar pruebas unitarias, evitando un modelo de recompensa aprendido.
Which model family does the cited paper describe using rejection sampling in its alignment pipeline?
The Llama 2 paper describes rejection sampling as one stage of the Llama 2-Chat alignment pipeline.
Why might a team choose rejection-sampling fine-tuning over a policy-gradient approach for some tasks?
RFT uses generated and filtered examples for supervised updates, though generation, scoring, and data quality still incur costs.
¿Qué hace efectivamente la capacitación en las muestras de máxima recompensa?
Al aprender de las respuestas mejor filtradas, el modelo internaliza un comportamiento de mayor calidad en una sola generación.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.