इनाम मॉडलिंग
इनाम मॉडल एक तंत्रिका नेटवर्क है जिसे यह अनुमान लगाने के लिए प्रशिक्षित किया जाता है कि एआई प्रतिक्रिया कितनी अच्छी है, जो मानव निर्णय के लिए एक स्वचालित स्टैंड-इन के रूप में कार्य करती है।
सिंहावलोकन
It is the scoring engine that makes reinforcement learning from human feedback possible at scale.
गहरा गोता
रिवार्ड मॉडलिंग एक व्यावहारिक समस्या का समाधान करती है: मनुष्य प्रशिक्षण के दौरान एक मॉडल द्वारा उत्पन्न लाखों आउटपुट में से हर एक को रेट नहीं कर सकता है। इसके बजाय, लेबलर प्रतिक्रियाओं के एक छोटे सेट की तुलना करते हैं, आमतौर पर यह चुनते हैं कि एक ही संकेत के लिए दो उत्तरों में से कौन सा बेहतर है। किसी भी त्वरित-प्रतिक्रिया जोड़ी के लिए एकल स्केलर स्कोर आउटपुट करने के लिए इन तुलनाओं पर एक इनाम मॉडल को प्रशिक्षित किया जाता है। मानक प्रशिक्षण उद्देश्य ब्रैडली-टेरी मॉडल है, जो जोड़ीवार प्राथमिकताओं को इस संभावना में बदल देता है कि एक प्रतिक्रिया दूसरे से आगे निकल जाती है। एक बार प्रशिक्षित होने के बाद, यह इनाम मॉडल सस्ते में असीमित नए आउटपुट का मूल्यांकन कर सकता है, जो संकेत प्रदान करता है कि पीपीओ जैसे एल्गोरिदम भाषा मॉडल को बेहतर बनाने के लिए उपयोग करते हैं। सर्वोत्तम-एन-नमूने के लिए अनुमान के समय पुरस्कार मॉडल का भी पुन: उपयोग किया जाता है, जहां कई उम्मीदवार उत्पन्न होते हैं और उच्चतम स्कोरिंग वाले को वापस कर दिया जाता है।
तकनीकी अंतर्दृष्टि
एक इनाम मॉडल आमतौर पर आधार भाषा मॉडल होता है, जिसके टोकन-भविष्यवाणी प्रमुख को एक एकल रैखिक परत द्वारा प्रतिस्थापित किया जाता है जो एक स्केलर का उत्सर्जन करता है। प्रशिक्षण लॉग-संभावना को अधिकतम करता है कि चुनी गई प्रतिक्रिया अस्वीकृत प्रतिक्रिया से अधिक स्कोर करती है: हानि = -लॉग (सिग्मॉइड (r_chosen - r_rejected))। केवल सापेक्ष अंतर मायने रखता है, इसलिए पूर्ण पैमाना मनमाना है। गुणवत्ता लेबल की स्थिरता और प्रतिक्रिया शैलियों की व्यापक कवरेज पर निर्भर करती 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।
रिवार्ड मॉडलिंग का भविष्य
अनुसंधान इनाम मॉडल की सबसे बड़ी कमजोरियों से निपट रहा है: उन्हें 'हैक' किया जा सकता है (मॉडल लंबाई को प्राथमिकता देने जैसे विचित्रताओं का फायदा उठाते हैं), और नीति में सुधार होने पर वे वितरण से बाहर हो जाते हैं। आशाजनक निर्देशों में प्रक्रिया पुरस्कार मॉडल शामिल हैं जो प्रत्येक तर्क चरण को स्कोर करते हैं, हैकिंग का विरोध करने के लिए संयोजन और अनिश्चितता अनुमान, एआई-जनरेटेड वरीयता लेबल (आरएलएआईएफ), और जेनरेटिव इनाम मॉडल जो एक खाली संख्या के बजाय आलोचना और तर्क उत्पन्न करते हैं।
वास्तविक विश्व कार्यान्वयन
पीपीओ प्रशिक्षण के दौरान उम्मीदवारों की प्रतिक्रियाओं को स्कोर करके ChatGPT और Claude जैसे सहायकों के लिए RLHF को सशक्त बनाना
बेस्ट-ऑफ-एन सैंपलिंग, जहां एक मॉडल कई उत्तर उत्पन्न करता है और इनाम मॉडल उपयोगकर्ता के लिए सर्वश्रेष्ठ का चयन करता है
गणित और कोडिंग 'सत्यापनकर्ता' या प्रक्रिया पुरस्कार मॉडल जो समस्या-समाधान में सुधार के लिए मध्यवर्ती तर्क चरण स्कोर करते हैं
सिंथेटिक प्रशिक्षण डेटा की रैंकिंग और फ़िल्टरिंग, आगे की फाइन-ट्यूनिंग के लिए केवल उच्च स्कोरिंग पीढ़ियों को बनाए रखना
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 Reward Modeling 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
ब्रैडली-टेरी रिवार्ड मॉडलिंग
अक्सर पूछे जाने वाले प्रश्नों
What is Reward Modeling?
इनाम मॉडल एक तंत्रिका नेटवर्क है जिसे यह अनुमान लगाने के लिए प्रशिक्षित किया जाता है कि एआई प्रतिक्रिया कितनी अच्छी है, जो मानव निर्णय के लिए एक स्वचालित स्टैंड-इन के रूप में कार्य करती है। यह स्कोरिंग इंजन है जो मानव प्रतिक्रिया से सुदृढीकरण सीखने को बड़े पैमाने पर संभव बनाता है।
किसी दिए गए त्वरित-प्रतिक्रिया युग्म के लिए इनाम मॉडल का प्राथमिक आउटपुट क्या है?
एक इनाम मॉडल अनुमानित गुणवत्ता या मानव प्राथमिकता का प्रतिनिधित्व करने वाले एक अदिश संख्या के लिए एक संकेत और प्रतिक्रिया को मैप करता है।
इनाम मॉडल को प्रशिक्षित करने के लिए किस प्रकार के मानव डेटा का सबसे अधिक उपयोग किया जाता है?
लेबलर आम तौर पर एक ही संकेत पर दो प्रतिक्रियाओं की तुलना करते हैं और बेहतर को चुनते हैं; ब्रैडली-टेरी मॉडल इन्हें एक अदिश इनाम में परिवर्तित करता है।
मानक इनाम-मॉडल हानि क्या अनुकूलित करती है?
ब्रैडली-टेरी हानि, -log(sigmoid(r_chosen - r_rejected)), केवल सापेक्ष क्रम की परवाह करता है, इसलिए पूर्ण पैमाना मनमाना है।
'रिवॉर्ड हैकिंग' क्या है?
रिवॉर्ड हैकिंग तब होती है जब मॉडल शॉर्टकट ढूंढता है (जैसे अत्यधिक लंबाई या चापलूसी) जिसे अपूर्ण रिवार्ड मॉडल बहुत अधिक रेट करता है लेकिन मनुष्य ऐसा नहीं करते।
एक इनाम मॉडल वास्तुशिल्प रूप से एक भाषा मॉडल से कैसे प्राप्त होता है?
एक इनाम मॉडल आम तौर पर एलएम बैकबोन का पुन: उपयोग करता है लेकिन एकल स्केलर इनाम को आउटपुट करने वाली अंतिम परत को स्वैप करता है।