概要
Direct Preference Optimization (DPO) は、別の報酬モデルをトレーニングしたり強化学習を実行したりせずに、言語モデルを人間の好みに合わせて調整する方法です。複雑な多段階のパイプラインを単一の安定したトレーニング損失にまとめます。
Direct Preference Optimization は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。
ディープダイブ
スタンフォード大学のラファイロフ氏らによって 2023 年に導入された DPO は、人々が好むものをモデルに教える方法を再考します。従来のアプローチ (RLHF) では、人間との比較に基づいて報酬モデルをトレーニングし、強化学習を使用してその報酬を最大化します。 DPO の重要な洞察は数学的です。RLHF 目標に基づく最適なポリシーは報酬に対して閉形式の関係があるため、方程式を並べ替えて、プリファレンス ペアに基づいて直接言語モデルを最適化できます。プロンプト、「選択された」 (優先される) 応答、および「拒否された」応答を与えると、単純な分類スタイルの損失により、選択された応答の可能性が相対的に高くなるようにモデルが調整されます。報酬モデルもサンプリングループも報酬ハッキングもありません。はるかに簡単で、実行がより安定しています。
技術的な洞察
DPO は、優先ペアに対するバイナリのクロスエントロピー損失を使用します。これは、拒否された応答に対する選択された応答の対数確率比を増加させます。各応答は、凍結された参照モデル (通常は教師あり微調整された開始点) に対して測定されます。温度パラメータ ベータは、ポリシーがその基準からどの程度ずれるかを制御し、RLHF が明示的に適用する KL 制約を暗黙的に強制します。報酬は決して実現しません。これはポリシー自体の対数確率に暗黙的に含まれます。
直接設定の最適化をマスターする
Direct Preference Optimization (DPO) は、別の報酬モデルをトレーニングしたり強化学習を実行したりせずに、言語モデルを人間の好みに合わせて調整する方法です。複雑な多段階のパイプラインを単一の安定したトレーニング損失にまとめます。 Direct Preference Optimization は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。深い理解を得るには、直接優先最適化を単一の機能ではなくオペレーティング モデルとして扱います。望ましい結果を定義し、前提条件を明確にし、システムが確実に実行できることと、依然として専門家の判断が必要なことを分離します。
実際には、Direct Preference Optimization を使用する強力なチームは、プロンプト、取得、レビューのループを 1 つの統合された通信システムとして設計します。明示的な成功基準を文書化し、現実的なデータとワークフローに対してテストし、一度限りのベンチマークの成功ではなく、観察された失敗パターンに基づいて反復します。ここで、理論的な理解が、製品、ポリシー、運用全体にわたる永続的な機能に変わります。
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。同時に、幻覚の事実がレポート、サポート フロー、または研究成果に静かに入力される可能性があります。最も回復力のあるアプローチは、実験のスピードとガバナンスの規律を組み合わせることであり、パイロットを実行し、証拠を取得し、意思決定ログを公開し、モデルの動作、ユーザーの期待、規制要件の進化に応じて安全対策を継続的に更新します。
戦略的影響
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
現実世界の実装
Zephyr や多くの Llama や Mistral の派生モデルなどのオープンウェイト チャット モデルを微調整し、嗜好データセットに関して DPO と調整しました。
問題のある答えよりも安全で役立つ答えが「選択」されるペアを使用して、有害または役に立たない出力を削減します。
開発者が評価した比較を使用して、コーディングアシスタントに、バグのあるソリューションよりも正しく文書化されたソリューションを好むよう教える
モデルが冗長または幻覚的な要約よりも簡潔で忠実な要約を優先するように要約スタイルを調整する
実装パターン
直接優先最適化の実践
Zephyr や多くの Llama や Mistral の派生モデルなどのオープンウェイト チャット モデルを微調整します。これらは、嗜好データセットに関して DPO と調整されています。
Zephyr や多くの Llama や Mistral の派生モデルなどのオープンウェイト チャット モデルを微調整し、好みのデータセットで DPO と調整しました。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
直接優先最適化の実践
問題のある答えよりも安全で役立つ答えが「選択」されるペアを使用して、有害または役に立たない出力を削減します。
問題のある答えよりも安全で役立つ答えが「選択」されるペアを使用して、有害または役に立たない出力を削減する チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
直接優先最適化の実践
開発者が評価した比較を使用して、バグのあるソリューションよりも正しく文書化されたソリューションを好むようにコーディング アシスタントに指導します。
開発者が評価した比較を使用して、バグのあるソリューションよりも正しく文書化されたソリューションを好むようにコーディング アシスタントに教える チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
直接優先最適化の実践
モデルが冗長または幻覚的な要約よりも簡潔で忠実な要約を優先するように要約スタイルを調整します。
要約スタイルを調整して、モデルが冗長または幻覚的な要約よりも簡潔で忠実な要約を優先するようにします。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
展開する前に、出力形式、トーン、品質基準を定義します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。