A continuaciónSiguiente guía
Modelos de secuencia a secuencia
Idioma IA
GUÍA Técnica
El forzado del profesor es la forma estándar de entrenar modelos que generan secuencias un token a la vez: durante el entrenamiento, el modelo recibe el token anterior correcto en lugar de su propia suposición.
Escuche esta guíaNarrado por IA · ~7 min
Nombrado por Williams y Zipser en 1989, hace que el entrenamiento sea rápido y estable y permite a los Transformers entrenar en secuencias completas en paralelo, pero crea una brecha entre el entrenamiento y la generación que los investigadores aún estudian.
Many AI systems produce output as a sequence: words in a translation, characters in a transcript, tokens in a chatbot reply. These autoregressive models generate one element at a time, and each new element depends on the ones already produced. Training such a model raises a simple question: when it is learning to predict the next token, what should it see as the previous tokens, the correct ones from the training data or the ones it would have produced itself? Teacher forcing is the answer almost everyone uses: feed the correct ones.
The term comes from Ronald Williams and David Zipser's 1989 paper 'A Learning Algorithm for Continually Running Fully Recurrent Neural Networks' in the journal Neural Computation. Describing a variant of their real-time recurrent learning algorithm, they wrote about replacing a unit's actual output with the teacher signal, the desired value, in later computation whenever such a value exists, and named this technique teacher forcing. They reported that on oscillation tasks only the teacher-forced version could solve the problems in general, because supplying the desired values helps control the network's state for the steps that follow.
Here is the mechanism in a translation example. Suppose the target sentence is 'the cat sat'. The decoder starts with a start-of-sentence symbol and must predict 'the'. Under teacher forcing, whatever it actually predicted, the next input is the true word 'the', and it must predict 'cat'. Then the true 'cat' is fed in, and it predicts 'sat'. At each position the loss compares the predicted probability distribution with the true next word, usually with cross-entropy, which rewards giving high probability to the correct token. Summed over positions, this is exactly maximum likelihood training of the sequence: the probability of a sentence factors into the product of each token's probability given the true tokens before it.
The benefits are concrete. Errors do not snowball during training, because one bad prediction never pollutes the inputs for later steps, so gradients carry clear signal and training converges faster, as the PyTorch translation tutorial notes. Teacher forcing also enables parallelism. In the Transformer, introduced in 'Attention Is All You Need' in June 2017, the decoder's inputs are the target sequence shifted right by one position, and a mask stops each position from attending to later ones. Because all the true previous tokens are known in advance, every position's prediction can be computed in one pass instead of one step at a time. This is a large part of why Transformers trained so efficiently; the paper reports 41.8 BLEU on WMT 2014 English-to-French after 3.5 days on eight GPUs. Modern language model pretraining is this same objective at scale.
The cost is a mismatch, often called exposure bias. At inference there is no teacher, so the model conditions on its own outputs, a distribution of prefixes it never saw during training. Samy Bengio and colleagues at Google described the problem in 2015: a mistake early in generation can put the model in a state rarely seen in training, and errors can accumulate. The PyTorch tutorial puts the symptom plainly: a teacher-forced network may show instability when run freely, and can produce grammatical output that drifts from the correct translation.
Several remedies followed. Scheduled sampling, by Bengio, Oriol Vinyals, Navdeep Jaitly and Noam Shazeer (June 2015), flips a coin at each step during training to use either the true token or the model's own sample, and gradually shifts the odds from mostly true to mostly sampled with a linear, exponential or inverse sigmoid schedule. On MSCOCO image captioning, their Table 1 reports BLEU-4 rising from 28.8 for the baseline to 30.6 with scheduled sampling, while always feeding the model's own samples collapsed to 11.2. Sequence-level training by Marc'Aurelio Ranzato and colleagues (ICLR 2016) instead optimized the evaluation metric, such as BLEU, over whole generated sequences using reinforcement learning, mixed with teacher-forced training. Professor Forcing, by Alex Lamb, Anirudh Goyal and colleagues at NIPS 2016, used an adversarial discriminator to make the network's hidden-state dynamics look the same with and without teacher forcing.
The practical picture is mixed. Scheduled sampling's coin flips make each step depend on earlier sampled outputs, which removes the Transformer's parallel training advantage, and sequence-level reinforcement learning is noisier and costlier than maximum likelihood. As a result, plain teacher forcing remains the default for pretraining, with other methods layered on afterward, such as decoding strategies at inference or reinforcement learning fine-tuning. Research has also questioned the usual story. In 'The pitfalls of next-token prediction' (ICML 2024), Gregor Bachmann and Vaishnavh Nagarajan argue that compounding errors at inference are not the only problem: on certain planning tasks, teacher forcing can fail to learn an accurate next-token predictor at all, and they report that both Transformer and Mamba models fail on a minimal task of this kind.
In cost terms, teacher forcing is the cheap option. It requires only the training sequences themselves, one forward pass per sequence on parallel architectures, and a standard cross-entropy loss. Alternatives that expose the model to its own outputs require sequential sampling during training and often extra components, such as a reward model or a discriminator.
04Ejemplo resuelto
Cree un modelo recurrente pequeño a nivel de personaje en PyTorch que aprenda a copiar cadenas cortas, como "hola", seguidas de un símbolo de fin.
Entrénelo con la fuerza del maestro: en cada paso, alimente el verdadero carácter anterior y calcule la entropía cruzada con el verdadero siguiente carácter.
Después del entrenamiento, ejecútelo libremente: comience desde el símbolo de inicio y retroalimente el carácter más probable del modelo en cada paso.
Registre la precisión por carácter en ambos modos en un conjunto de cuerdas extendidas, incluidas algunas más largas que las vistas en el entrenamiento.
Vuelva a entrenar con una regla de muestreo programado que reemplaza el carácter verdadero con la predicción del modelo con una probabilidad que aumenta durante el entrenamiento.
Compare la precisión de funcionamiento libre de ambos modelos, especialmente en las cuerdas más largas, donde los errores tempranos tienen más pasos para agravarse.
lo que muestra
El alumno ve una precisión casi perfecta para el modelo forzado por el profesor cuando se le dan prefijos verdaderos, y una puntuación más baja cuando se ejecuta en sus propios resultados, especialmente en cadenas largas. La comparación muestra directamente el sesgo de exposición y si el muestreo programado reduce la brecha en esta tarea.
Los modelos de lenguaje grandes se entrenan previamente mediante la predicción del siguiente token con fuerza del maestro, la configuración de entrenamiento que Bachmann y Nagarajan publicaron en el artículo de 2024 sobre los peligros de los análisis de predicción del siguiente token en los modelos Transformer y Mamba.
El tutorial de traducción de secuencia a secuencia PyTorch utiliza el forzado del profesor en su decodificador, señalando que acelera la convergencia pero puede hacer que la red entrenada sea inestable cuando se ejecuta en sus propias salidas.
Los investigadores de Google utilizaron muestreo programado, un alejamiento gradual de la obligación de los maestros, en el sistema que ocupó el primer lugar en el desafío de subtítulos de imágenes de MSCOCO de 2015.
El modelo de traducción Transformer original de 2017 entrena su decodificador en la oración de destino desplazada una posición hacia la derecha, con una máscara que oculta las palabras posteriores, de modo que cada palabra de destino se predice a partir de las palabras anteriores verdaderas.
El profesor Forcing, presentado en NIPS 2016, entrenó modelos recurrentes para escritura a mano, texto a nivel de carácter y habla en forma de onda sin formato para que su comportamiento con y sin forzamiento del maestro pareciera similar.
La obligación del profesorado sigue siendo el núcleo de la preformación del modelo lingüístico, por lo que sus límites atraen una atención constante de la investigación. Una línea pregunta si la predicción del siguiente token bajo la obligación del maestro puede aprender tareas que requieren planificación anticipada. Bachmann y Nagarajan (ICML 2024, revisado en julio de 2025) brindan evidencia preliminar de que un objetivo sin maestro, que utiliza tokens ficticios de modo que el modelo debe predecir varios tokens futuros sin verlos, puede evitar el error que identifican. Otra línea revisa la idea detrás del entrenamiento a nivel de secuencia de Ranzato y sus colegas: cerrar la brecha entre el tren y la inferencia calificando y aprendiendo de los resultados completos del modelo en lugar de solo de los prefijos verdaderos. Las preguntas abiertas incluyen en qué medida el sesgo de exposición daña realmente a los grandes modelos modernos en comparación con otras fuentes de error, y qué objetivos de capacitación respaldan mejor el razonamiento a largo plazo. Los resultados publicados aún no determinan si alguna alternativa reemplazará la predicción del siguiente token forzada por el maestro como objetivo predeterminado de preentrenamiento.
Boletín gratuito
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
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
El forzado del profesor es la forma estándar de entrenar modelos que generan secuencias un token a la vez: durante el entrenamiento, el modelo recibe el token anterior correcto en lugar de su propia suposición. Nombrado por Williams y Zipser en 1989, hace que el entrenamiento sea rápido y estable y permite a los Transformers entrenar en secuencias completas en paralelo, pero crea una brecha entre el entrenamiento y la generación que los investigadores aún estudian.
El forzado del profesor alimenta el token de objetivo anterior verdadero en lugar de la predicción del modelo, manteniendo el prefijo de condicionamiento correcto.
Con teacher forcing, el decodificador recibe y_(t−1) como contexto y el objetivo de entropía cruzada es el siguiente token real y_t.
Una máscara causal evita que cada posición atienda tokens futuros, por lo que toda la secuencia se puede procesar de una vez sin hacer trampa.
Durante la generación real no existe una secuencia objetivo, por lo que el modelo debe retroalimentar sus propias predicciones, a diferencia del entrenamiento.
Los modelos autorregresivos se entrenan con entropía cruzada a nivel de token comparando la distribución predicha con el siguiente token de oro.
sigue aprendiendo
Más guías seleccionadas para este tema.
A continuaciónSiguiente guía
Modelos de secuencia a secuencia
Idioma IA