प्रत्यक्ष वरीयता अनुकूलन
प्रत्यक्ष वरीयता अनुकूलन (डीपीओ) एक अलग इनाम मॉडल को प्रशिक्षित किए बिना या सुदृढीकरण सीखने को चलाने के बिना भाषा मॉडल को मानव प्राथमिकताओं के साथ संरेखित करने का एक तरीका है।
सिंहावलोकन
It collapses a complex multi-stage pipeline into a single, stable training loss.
गहरा गोता
2023 में स्टैनफोर्ड में राफेलोव और उनके सहयोगियों द्वारा पेश किया गया डीपीओ इस बात पर पुनर्विचार करता है कि हम एक मॉडल को कैसे सिखाते हैं जो लोग पसंद करते हैं। पारंपरिक दृष्टिकोण (आरएलएचएफ) मानव तुलनाओं पर एक इनाम मॉडल को प्रशिक्षित करता है, फिर उस इनाम को अधिकतम करने के लिए सुदृढीकरण सीखने का उपयोग करता है। डीपीओ की मुख्य अंतर्दृष्टि गणितीय है: उस आरएलएचएफ उद्देश्य के तहत इष्टतम नीति का इनाम के साथ एक बंद-रूप संबंध है, इसलिए आप समीकरणों को पुनर्व्यवस्थित कर सकते हैं और भाषा मॉडल को सीधे वरीयता जोड़े पर अनुकूलित कर सकते हैं। आप इसे एक संकेत, एक 'चयनित' (पसंदीदा) प्रतिक्रिया, और एक 'अस्वीकृत' प्रतिक्रिया देते हैं, और एक साधारण वर्गीकरण-शैली की हानि मॉडल को चुने हुए उत्तर को अपेक्षाकृत अधिक संभावित बनाने के लिए प्रेरित करती है। कोई इनाम मॉडल नहीं, कोई सैंपलिंग लूप नहीं, कोई इनाम हैकिंग नहीं। इसे चलाना कहीं अधिक सरल और अधिक स्थिर है।
तकनीकी अंतर्दृष्टि
डीपीओ वरीयता जोड़े पर बाइनरी क्रॉस-एन्ट्रॉपी हानि का उपयोग करता है। यह अस्वीकृत प्रतिक्रिया के सापेक्ष चुनी गई प्रतिक्रिया के लॉग-संभावना अनुपात को बढ़ाता है, प्रत्येक को एक जमे हुए संदर्भ मॉडल (आमतौर पर पर्यवेक्षित-ठीक-ट्यून किए गए शुरुआती बिंदु) के खिलाफ मापा जाता है। एक तापमान पैरामीटर बीटा नियंत्रित करता है कि नीति उस संदर्भ से कितनी दूर जा सकती है, जो कि केएल बाधा को स्पष्ट रूप से लागू करती है जो आरएलएचएफ स्पष्ट रूप से लागू होती है। इनाम कभी पूरा नहीं होता; यह नीति की अपनी लॉग-संभावनाओं में निहित है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
प्रत्यक्ष वरीयता अनुकूलन का भविष्य
डीपीओ एक डिफ़ॉल्ट संरेखण विधि बन गया है क्योंकि यह सस्ता और प्रतिलिपि प्रस्तुत करने योग्य है, और इसने वेरिएंट के एक परिवार को जन्म दिया: आईपीओ निकट-नियतात्मक प्राथमिकताओं पर ओवरफिटिंग को ठीक करता है, केटीओ जोड़े के बजाय एकल अच्छे-बुरे लेबल से सीखता है, और ओआरपीओ बिना किसी संदर्भ मॉडल के वरीयता सीखने को फाइन-ट्यूनिंग में बदल देता है। डीपीओ को ऑन-पॉलिसी डेटा और लंबाई/गुणवत्ता डिबियासिंग के साथ संयोजित करने, पूर्ण ऑनलाइन आरएलएचएफ के साथ शेष अंतर को कम करने पर काम जारी रहने की उम्मीद है।
वास्तविक विश्व कार्यान्वयन
ज़ेफिर और कई लामा और मिस्ट्रल डेरिवेटिव जैसे ओपन-वेट चैट मॉडल को फाइन-ट्यूनिंग किया गया, जिन्हें वरीयता डेटासेट पर डीपीओ के साथ जोड़ा गया था।
उन जोड़ियों का उपयोग करके हानिकारक या अनुपयोगी आउटपुट को कम करना जहां समस्याग्रस्त उत्तर की तुलना में सुरक्षित, सहायक उत्तर 'चुना' जाता है
डेवलपर-रेटेड तुलनाओं का उपयोग करके कोडिंग सहायक को खराब समाधानों की तुलना में सही, अच्छी तरह से प्रलेखित समाधानों को प्राथमिकता देना सिखाना
सारांशीकरण शैली को समायोजित करें ताकि मॉडल क्रियात्मक या मतिभ्रम वाले सारांशों की तुलना में संक्षिप्त, विश्वसनीय सारांशों को प्राथमिकता दें
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
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 Direct 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
अगली गाइड
विषम अनुपात वरीयता अनुकूलन
अक्सर पूछे जाने वाले प्रश्नों
What is Direct Preference Optimization?
प्रत्यक्ष वरीयता अनुकूलन (डीपीओ) एक अलग इनाम मॉडल को प्रशिक्षित किए बिना या सुदृढीकरण सीखने को चलाने के बिना भाषा मॉडल को मानव प्राथमिकताओं के साथ संरेखित करने का एक तरीका है। यह एक जटिल मल्टी-स्टेज पाइपलाइन को एकल, स्थिर प्रशिक्षण हानि में ध्वस्त कर देता है।
पारंपरिक आरएलएचएफ की तुलना में डीपीओ क्या समाप्त करता है?
डीपीओ का मुख्य लाभ स्पष्ट इनाम मॉडल और आरएल सैंपलिंग लूप को हटाना है, इसके बजाय नीति को सीधे प्राथमिकता जोड़े पर अनुकूलित करना है।
एकल डीपीओ प्रशिक्षण उदाहरण में कौन सा डेटा शामिल है?
डीपीओ वरीयता जोड़ियों पर प्रशिक्षण देता है: एक त्वरित प्लस एक पसंदीदा ('चयनित') और एक अस्वीकृत ('अस्वीकृत') प्रतिक्रिया।
डीपीओ में संदर्भ मॉडल क्या भूमिका निभाता है?
एक जमे हुए संदर्भ (आमतौर पर एसएफटी मॉडल) नुकसान का निर्धारण करता है; बीटा पैरामीटर नियंत्रित करता है कि प्रशिक्षित नीति इससे कितनी दूर तक जा सकती है।
डीपीओ में, 'इनाम' का प्रतिनिधित्व कहाँ किया जाता है?
डीपीओ की व्युत्पत्ति से पता चलता है कि इनाम नीति और संदर्भ के बीच लॉग-संभावना अनुपात में निहित है, इसलिए किसी स्पष्ट इनाम मॉडल की आवश्यकता नहीं है।
डीपीओ में बीटा (तापमान) पैरामीटर क्या नियंत्रित करता है?
बीटा अंतर्निहित केएल बाधा को नियंत्रित करता है: उच्च बीटा पॉलिसी को संदर्भ के करीब रखता है, निचला बीटा अधिक विचलन की अनुमति देता है।