भाषा एआई गाइड
विषम अनुपात वरीयता अनुकूलन
ORPO combines supervised fine-tuning with an odds-ratio preference penalty in one training phase and does not require a separate reference model.
इस गाइड को सुनेंएआई-नैरेटेड · ~2 min
इस पृष्ठ पर2 मिनट लाल
सिंहावलोकन
Its behavior depends on the preference data, objective settings, and implementation.
गहरा गोता
Odds Ratio Preference Optimization starts with supervised fine-tuning on preferred responses and adds a penalty that contrasts the policy’s odds for chosen and disfavored responses. This monolithic objective avoids a separate reference model and a distinct preference-optimization phase. The paper describes the objective as a way to apply preference alignment during SFT; it does not mean that every data pipeline or implementation uses no auxiliary components. The odds transformation produces a different penalty shape from a raw log-probability difference. Outcomes depend on the preference dataset, coefficient, base model, and evaluation. ORPO is a training method, not an inference-time decoding rule or a guarantee that preferences are faithfully represented.
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
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।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- 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।
का ध्यान रखें
- 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।
अगले चरण
- 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
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the Odds Ratio Preference Optimization quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
विषम अनुपात वरीयता अनुकूलन क्या है?
ORPO combines supervised fine-tuning with an odds-ratio preference penalty in one training phase and does not require a separate reference model. Its behavior depends on the preference data, objective settings, and implementation.
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।
What form does an ORPO preference example contain?
ORPO uses chosen and rejected responses for the same prompt to form its preference comparison.
How does ORPO convert a response probability p into odds?
Odds are computed as p/(1−p); ORPO applies this transformation when forming its preference term.
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।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं