अस्वीकृति नमूनाकरण फ़ाइन-ट्यूनिंग
रिजेक्शन सैम्पलिंग फाइन-ट्यूनिंग (आरएफटी) कई उम्मीदवारों के उत्तर उत्पन्न करता है, केवल सर्वश्रेष्ठ स्कोरिंग वाले उत्तरों को रखता है, और उन विजेताओं पर मॉडल को फिर से प्रशिक्षित करता है।
सिंहावलोकन
यह मायने रखता है क्योंकि यह जटिल सुदृढीकरण सीखने के बजाय सीधे पर्यवेक्षित सीखने का उपयोग करके आरएलएचएफ का अधिकांश लाभ प्रदान करता है।
गहरा गोता
रिजेक्शन सैंपलिंग फाइन-ट्यूनिंग, जिसे कभी-कभी बेस्ट-ऑफ-एन फाइन-ट्यूनिंग भी कहा जाता है, Meta के लामा 2 और लामा 3 जैसे मॉडलों को संरेखित करने में एक प्रमुख घटक है। नुस्खा सरल है: प्रत्येक संकेत के लिए, वर्तमान मॉडल से कई प्रतिक्रियाओं का नमूना लें (जैसे 4 से 64), प्रत्येक को एक इनाम मॉडल या एक स्वचालित चेकर के साथ स्कोर करें, फिर शीर्ष-रैंक वाले आउटपुट को छोड़कर सभी को हटा दें ('अस्वीकार करें')। बचे हुए उच्च-गुणवत्ता वाले नमूने एक ताजा पर्यवेक्षित फाइन-ट्यूनिंग डेटासेट बन जाते हैं, और मॉडल को सामान्य अगले-टोकन हानि के साथ उन पर प्रशिक्षित किया जाता है। इस लूप को दोहराने से मॉडल अपने आप बेहतर उत्तर उत्पन्न करने की ओर प्रेरित होता है। क्योंकि मॉडल अपने स्वयं के फ़िल्टर किए गए आउटपुट से सीखता है, आरएफटी रिवॉर्ड सिग्नल का लाभ उठाते हुए पॉलिसी-ग्रेडिएंट आरएल की अस्थिरता और ट्यूनिंग सिरदर्द से बचता है।
तकनीकी अंतर्दृष्टि
आरएफटी इस तथ्य का फायदा उठाता है कि कई बार नमूनाकरण करना और अधिकतम-इनाम प्रतिक्रिया को बनाए रखना एक तेज, उच्च-गुणवत्ता वाले वितरण से चुनने का अनुमान लगाता है। मानक क्रॉस-एन्ट्रॉपी के माध्यम से उन विजेताओं पर प्रशिक्षण प्रभावी ढंग से उस सर्वोत्तम-एन व्यवहार को मॉडल के एकल-नमूना आउटपुट में वापस लाता है। गणित या कोड जैसे सत्यापन योग्य डोमेन के लिए, 'इनाम' केवल यह हो सकता है कि अंतिम उत्तर या इकाई परीक्षण पास हो गया है या नहीं, जिससे सीखे गए इनाम मॉडल की आवश्यकता पूरी तरह से समाप्त हो जाती 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।
अस्वीकृति नमूनाकरण फ़ाइन-ट्यूनिंग का भविष्य
आरएफटी आधुनिक प्रशिक्षण के बाद का केंद्र है, जिसका उपयोग अक्सर पीपीओ और डीपीओ जैसे आरएल तरीकों से पहले या उनके साथ किया जाता है। इसकी अपील सस्ते अनुमान और मजबूत स्वचालित सत्यापनकर्ताओं के साथ बढ़ती है: जैसे-जैसे मॉडल स्व-उत्पादन और स्व-जाँच में बेहतर होते जाते हैं, पुनरावृत्त अस्वीकृति नमूनाकरण सिंथेटिक-डेटा और स्व-सुधार लूप का समर्थन करता है। तर्क मॉडल के साथ सख्त एकीकरण की अपेक्षा करें जो विचार की सत्यापन योग्य श्रृंखला उत्पन्न करता है, और मॉडल के स्वयं के आउटपुट पर बार-बार प्रशिक्षण देने पर इनाम हैकिंग और विविधता के पतन से बचने के लिए चल रहे अध्ययन की अपेक्षा करें।
वास्तविक विश्व कार्यान्वयन
प्रति संकेत एकाधिक उत्तरों का नमूना लेकर लामा-शैली मॉडल को संरेखित करना, उच्चतम इनाम-मॉडल स्कोर बनाए रखना, फिर उन पर एसएफटी
कई समाधान तैयार करके और केवल सही, जांच योग्य उत्तर तक पहुंचने वाले समाधानों को बनाए रखकर एक गणित सॉल्वर को बेहतर बनाना
कोड जनरेशन जहां उम्मीदवारों को केवल तभी रखा जाता है जब वे यूनिट परीक्षण पास कर लेते हैं, फिर प्रशिक्षण डेटा के रूप में उपयोग किया जाता है
अगले प्रशिक्षण दौर के लिए मॉडल की अपनी सर्वश्रेष्ठ स्व-निर्मित प्रतिक्रियाओं को फ़िल्टर करके सिंथेटिक निर्देश डेटासेट का निर्माण करना
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 Rejection Sampling Fine-Tuning 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
QLoRA और 4-बिट फ़ाइन-ट्यूनिंग
अक्सर पूछे जाने वाले प्रश्नों
अस्वीकृति नमूनाकरण फाइन-ट्यूनिंग क्या है?
रिजेक्शन सैम्पलिंग फाइन-ट्यूनिंग (आरएफटी) कई उम्मीदवारों के उत्तर उत्पन्न करता है, केवल सर्वश्रेष्ठ स्कोरिंग वाले उत्तरों को रखता है, और उन विजेताओं पर मॉडल को फिर से प्रशिक्षित करता है। यह मायने रखता है क्योंकि यह जटिल सुदृढीकरण सीखने के बजाय सीधे पर्यवेक्षित शिक्षण का उपयोग करके आरएलएचएफ के अधिकांश लाभ प्रदान करता है।
रिजेक्शन सैम्पलिंग फ़ाइन-ट्यूनिंग का मूल विचार क्या है?
आरएफटी कई प्रतिक्रियाओं का नमूना लेता है, शीर्ष स्कोरिंग वाले को फ़िल्टर करता है, और उन विजेताओं पर मॉडल को ठीक करता है।
गणित या कोड जैसे सत्यापन योग्य डोमेन में, पुरस्कार के रूप में क्या काम आ सकता है?
जांचने योग्य कार्यों के लिए, आरएफटी सीखे हुए इनाम मॉडल से बचते हुए, सटीक शुद्धता का उपयोग कर सकता है या यूनिट परीक्षण पास कर सकता है।
संरेखण के दौरान किस मॉडल परिवार ने प्रसिद्ध रूप से अस्वीकृति नमूनाकरण का उपयोग किया?
Meta ने लामा 2 और लामा 3 मॉडल के लिए प्रशिक्षण के बाद के नुस्खे के हिस्से के रूप में अस्वीकृति नमूने का उपयोग करने का वर्णन किया।
टीमें पीपीओ जैसे पॉलिसी-ग्रेडिएंट आरएल की तुलना में आरएफटी को क्यों प्राथमिकता दे सकती हैं?
आरएफटी फ़िल्टर किए गए नमूनों पर मानक अगले-टोकन हानि के साथ पुन: प्रशिक्षित करता है, ट्यूनिंग कठिनाई और नीति-ग्रेडिएंट तरीकों की अस्थिरता को दूर करता है।
अधिकतम-इनाम नमूनों पर प्रशिक्षण प्रभावी ढंग से क्या करता है?
शीर्ष फ़िल्टर की गई प्रतिक्रियाओं से सीखकर, मॉडल एक ही पीढ़ी में उच्च-गुणवत्ता वाले व्यवहार को आंतरिक बनाता है।