विषम अनुपात वरीयता अनुकूलन
ऑड्स रेशियो प्रेफरेंस ऑप्टिमाइजेशन (ओआरपीओ) एक फाइन-ट्यूनिंग विधि है जो एक भाषा मॉडल को एक ही प्रशिक्षण पास में अच्छा व्यवहार और मानवीय प्राथमिकताएं सिखाती है।
सिंहावलोकन
It matters because it skips the usual separate reward model and reference model, making alignment cheaper and simpler.
गहरा गोता
2024 में हांग, ली और थॉर्न द्वारा पेश किया गया ओआरपीओ, पर्यवेक्षित फाइन-ट्यूनिंग और वरीयता संरेखण को एक चरण में जोड़ता है। अधिकांश संरेखण पाइपलाइन पहले अच्छे उदाहरणों पर एसएफटी करते हैं, फिर आरएलएचएफ या डीपीओ जैसी दूसरी विधि चलाते हैं जिसके लिए मॉडल की एक जमे हुए प्रतिलिपि (एक संदर्भ) और संग्रहीत प्राथमिकता जोड़े की आवश्यकता होती है। ORPO संदर्भ मॉडल को पूरी तरह से हटा देता है। इसका नुकसान मानक अगले-टोकन उद्देश्य में एक दंड शब्द जोड़ता है: यह मॉडल द्वारा चुने गए (पसंदीदा) प्रतिक्रिया के लिए निर्दिष्ट बाधाओं को बढ़ाता है जबकि अस्वीकृत प्रतिक्रिया की बाधाओं को कम करता है। क्योंकि यह मजबूत लॉग-संभावना अंतर के बजाय विषम अनुपात का उपयोग करता है, दंड सौम्य है, इसलिए मॉडल धाराप्रवाह पीढ़ी को भूले बिना अच्छे उत्तरों का पक्ष लेना सीखता है।
तकनीकी अंतर्दृष्टि
ओआरपीओ का नुकसान एसएफटी क्रॉस-एंट्रॉपी नुकसान और चुने गए और अस्वीकृत प्रतिक्रियाओं के बीच लॉग ऑड्स अनुपात का भारित लॉग-सिग्मॉइड है। ऑड्स बराबर पी/(1-पी), इसलिए अनुपात तुलना करता है कि मॉडल को खराब उत्तर की तुलना में अच्छा उत्तर मिलने की कितनी अधिक संभावना है। कच्ची संभाव्यता के बजाय बाधाओं का उपयोग करने से कंट्रास्ट हल्का रहता है, जो अस्वीकृत टोकन के अति-दमन को रोकता है जो एक गैर-संदर्भित मॉडल को ख़राब कर सकता 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।
विषम अनुपात वरीयता अनुकूलन का भविष्य
ओआरपीओ लोकप्रियता हासिल कर रहा है क्योंकि यह संदर्भ मॉडल को हटाकर मेमोरी और गणना में कटौती करता है, जो सीमित हार्डवेयर पर फाइन-ट्यूनिंग करने वाली टीमों के लिए आकर्षक है। उम्मीद है कि यह ओपन-सोर्स व्यंजनों में और हगिंग फेस टीआरएल जैसी लाइब्रेरी में एक डिफ़ॉल्ट विकल्प के रूप में अधिक बार दिखाई देगा। भविष्य के काम में लैम्ब्डा वेटिंग को स्वचालित रूप से ट्यून करने की संभावना होगी, ओआरपीओ को अन्य संदर्भ-मुक्त उद्देश्यों के साथ मिश्रित किया जाएगा, और इसे मल्टीमॉडल और बहुत बड़े मॉडल तक विस्तारित किया जाएगा जहां मेमोरी में दो प्रतियां रखना महंगा है।
वास्तविक विश्व कार्यान्वयन
दूसरी संदर्भ प्रतिलिपि लोड किए बिना, जीपीयू मेमोरी को आधा करके, वरीयता जोड़े पर ओपन-सोर्स 7बी चैट मॉडल को फाइन-ट्यूनिंग करना
एक स्टार्टअप एसएफटी-तब-डीपीओ के बजाय एक प्रशिक्षण दौर में विनम्र, ऑन-पॉलिसी उत्तरों को प्राथमिकता देने के लिए ग्राहक-सहायता सहायक को संरेखित कर रहा है
शोधकर्ताओं ने कम गणना के साथ तुलनीय संरेखण दिखाने के लिए एक ही डेटासेट पर डीपीओ के खिलाफ ओआरपीओ की तुलना की
एक आधार मॉडल को एक विशेष डोमेन (उदाहरण के लिए, कानूनी प्रारूपण) में अपनाना जहां अच्छे और बुरे उदाहरण जोड़े उपलब्ध हैं लेकिन इनाम-मॉडल बजट नहीं है
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 Odds Ratio 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
प्रत्यक्ष वरीयता अनुकूलन
अक्सर पूछे जाने वाले प्रश्नों
What is Odds Ratio Preference Optimization?
ऑड्स रेशियो प्रेफरेंस ऑप्टिमाइजेशन (ओआरपीओ) एक फाइन-ट्यूनिंग विधि है जो एक भाषा मॉडल को एक ही प्रशिक्षण पास में अच्छा व्यवहार और मानवीय प्राथमिकताएं सिखाती है। यह मायने रखता है क्योंकि यह सामान्य अलग-अलग इनाम मॉडल और संदर्भ मॉडल को छोड़ देता है, जिससे संरेखण सस्ता और सरल हो जाता है।
डीपीओ जैसी विधियों की तुलना में ओआरपीओ का मुख्य व्यावहारिक लाभ क्या है?
ओआरपीओ प्राथमिकता सीखने को एसएफटी हानि में बदल देता है और मेमोरी और गणना को सहेजने के लिए मॉडल की जमे हुए संदर्भ प्रतिलिपि की आवश्यकता नहीं होती है।
ओआरपीओ में 'विषम अनुपात' की तुलना किससे की जाती है?
ओआरपीओ पसंदीदा उत्तर बनाम नापसंद किए गए उत्तर के लिए मॉडल द्वारा निर्दिष्ट बाधाओं (पी/(1-पी)) के अनुपात का उपयोग करता है।
ओआरपीओ एक ही प्रशिक्षण पास में कौन से दो कार्य करता है?
ओआरपीओ मानक एसएफटी अगले-टोकन उद्देश्य को एक एकीकृत नुकसान में वरीयता दंड के साथ जोड़ता है।
ओआरपीओ दंड के लिए रॉ लॉग-प्रोबेबिलिटी अंतर के बजाय ऑड्स का उपयोग क्यों करता है?
अंतर-आधारित दंड हल्का है, जिससे गैर-संदर्भित मॉडल को अच्छे उत्तरों को प्राथमिकता देते हुए धाराप्रवाह पीढ़ी बनाए रखने में मदद मिलती है।
ओआरपीओ हानि को किस संयोजन के रूप में सबसे अच्छा वर्णित किया गया है?
ओआरपीओ पर्यवेक्षित क्रॉस-एन्ट्रॉपी हानि के शीर्ष पर एक भारित लॉग-सिग्मॉइड ऑड्स-अनुपात शब्द जोड़ता है।