Aperçu
L'optimisation directe des préférences (DPO) est un moyen d'aligner les modèles de langage sur les préférences humaines sans former un modèle de récompense distinct ni exécuter un apprentissage par renforcement. Il réduit un pipeline complexe à plusieurs étapes en une perte de formation unique et stable.
L'optimisation directe des préférences fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle.
Plongée profonde
DPO, introduit par Rafailov et ses collègues de Stanford en 2023, repense la façon dont nous enseignons à un modèle ce que les gens préfèrent. L'approche traditionnelle (RLHF) forme un modèle de récompense sur la base de comparaisons humaines, puis utilise l'apprentissage par renforcement pour maximiser cette récompense. L'idée clé de DPO est mathématique : la politique optimale dans le cadre de cet objectif RLHF a une relation fermée avec la récompense, vous pouvez donc réorganiser les équations et optimiser le modèle de langage directement sur les paires de préférences. Vous lui donnez une invite, une réponse « choisie » (préférée) et une réponse « rejetée », et une simple perte de style classification pousse le modèle à rendre la réponse choisie relativement plus probable. Pas de modèle de récompense, pas de boucle d'échantillonnage, pas de piratage de récompense. C’est beaucoup plus simple et plus stable à exécuter.
Aperçu technique
DPO utilise une perte d'entropie croisée binaire sur les paires de préférences. Il augmente le rapport log-probabilité de la réponse choisie par rapport à celle rejetée, chacune étant mesurée par rapport à un modèle de référence figé (généralement le point de départ supervisé et affiné). Un paramètre de température bêta contrôle dans quelle mesure la politique peut s'écarter de cette référence, appliquant implicitement la contrainte KL que RLHF applique explicitement. La récompense n’est jamais matérialisée ; c'est implicite dans les propres log-probabilités de la politique.
Maîtriser l’optimisation des préférences directes
L'optimisation directe des préférences (DPO) est un moyen d'aligner les modèles de langage sur les préférences humaines sans former un modèle de récompense distinct ni exécuter un apprentissage par renforcement. Il réduit un pipeline complexe à plusieurs étapes en une perte de formation unique et stable. L'optimisation directe des préférences fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle. Pour acquérir une compréhension approfondie, traitez l'optimisation directe des préférences comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, des équipes solides utilisant l'optimisation directe des préférences conçoivent des invites, des boucles de récupération et de révision comme un seul système de communication intégré. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. Dans le même temps, les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Il étend l’accès à toutes les langues et styles de communication.
Il étend l’accès à toutes les langues et styles de communication. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Affiner les modèles de chat à poids ouvert comme Zephyr et de nombreux dérivés de Llama et Mistral, qui étaient alignés sur DPO sur les ensembles de données de préférence
Réduire les résultats nuisibles ou inutiles en utilisant des paires où la réponse sûre et utile est « choisie » plutôt qu'une réponse problématique
Apprendre à un assistant de codage à préférer les solutions correctes et bien documentées aux solutions boguées à l'aide de comparaisons évaluées par les développeurs
Optimiser le style de résumé afin que les modèles privilégient les résumés concis et fidèles plutôt que les résumés verbeux ou hallucinés
Modèles de mise en œuvre
L'optimisation des préférences directes en pratique
Affiner les modèles de discussion à poids ouvert comme Zephyr et de nombreux dérivés de Llama et Mistral, qui étaient alignés sur DPO sur les ensembles de données de préférence.
Affiner les modèles de discussion à poids ouvert comme Zephyr et de nombreux dérivés de Llama et Mistral, qui étaient alignés sur DPO sur les ensembles de données de préférence. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, gardent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
L'optimisation des préférences directes en pratique
Réduire les résultats nuisibles ou inutiles en utilisant des paires où la réponse sûre et utile est « choisie » plutôt qu'une réponse problématique.
Réduire les résultats nuisibles ou inutiles en utilisant des paires où la réponse sûre et utile est « choisie » plutôt qu'une réponse problématique. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
L'optimisation des préférences directes en pratique
Apprendre à un assistant de codage à préférer les solutions correctes et bien documentées aux solutions boguées à l'aide de comparaisons évaluées par les développeurs.
Apprendre à un assistant de codage à préférer les solutions correctes et bien documentées aux solutions boguées en utilisant des comparaisons évaluées par les développeurs. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
L'optimisation des préférences directes en pratique
Optimiser le style de résumé afin que les modèles privilégient les résumés concis et fidèles plutôt que les résumés verbeux ou hallucinés.
Optimiser le style de synthèse afin que les modèles privilégient les résumés concis et fidèles plutôt que les résumés verbeux ou hallucinés. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, gardent un chemin de remontée humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.