반복적인 DPO 및 온라인 선호도 조정
반복적 DPO는 새로운 응답을 생성하고 순위를 매기고 매 라운드마다 새로운 쌍을 조정하여 인간 또는 AI 선호도에 맞게 언어 모델을 반복적으로 조정합니다.
개요
It matters because static, one-shot preference data goes stale, while iterating keeps the training signal on-policy and the model improving.
심층 분석
DPO(직접 선호 최적화)는 별도의 보상 모델 학습을 건너뜁니다. 선호하는 응답과 거부된 응답 쌍이 주어지면 RLHF 목표에서 파생된 간단한 분류 스타일 손실을 사용하여 거부된 응답에 비해 선택된 응답의 가능성을 높이도록 정책을 직접 조정합니다. 문제는 바닐라 DPO가 고정되고 종종 정책에 맞지 않는 데이터 세트를 학습하므로 모델이 이전 비교에 과적합될 수 있다는 것입니다. 반복(온라인) DPO는 루프를 닫습니다. 현재 모델은 새로운 응답을 샘플링하고, 판사(인간 또는 강력한 AI/보상 모델)가 더 나은 레이블을 지정하고, 이 새로운 데이터에 대해 또 다른 DPO 라운드를 실행합니다. 이를 여러 번 반복하면 모델의 실제 동작을 추적하는 움직이는 대상이 생성되며, 종종 훨씬 덜 복잡하게 PPO 기반 RLHF와 일치하거나 능가합니다.
기술적 통찰력
DPO의 손실은 참조 모델(일반적으로 SFT 체크포인트)과 온도와 유사한 베타를 사용하여 편차를 제어하고 정책 확률과 참조 확률 간의 로그 비율과 동일한 암시적 보상을 효과적으로 인코딩합니다. 현재 정책에서 샘플링된 선호도 데이터가 배포된 상태로 유지되어 오프라인 DPO를 괴롭히는 배포 전환이 줄어들기 때문에 온라인으로 전환하는 것이 중요합니다. 각 반복은 완성을 재생성하고 기본 설정의 레이블을 다시 지정하며 선택적으로 참조 모델을 새로 고치므로 그라데이션은 항상 현재 약점을 반영합니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
반복적 DPO 및 온라인 선호도 조정의 미래
AI 심사위원과 보상 모델이 대규모로 라벨을 제공하여 반복 루프가 저렴하게 실행되면서 선호도 조정이 점점 더 자동화되고 지속적으로 진행될 것으로 예상됩니다. KTO, IPO, 기간 제어 또는 자체 보상 DPO와 같은 변형은 장황한 내용을 억제하고 해킹에 대한 보상을 제공하기 위해 손실을 개선하고 있습니다. 더 넓은 추세는 단계당 사람이 라벨을 붙이는 일을 줄여 프론티어 모델을 지속적으로 조정하는 파이프라인으로 생성, 판단 및 업데이트를 더욱 긴밀하게 통합하는 것입니다.
실제 구현
여러 라운드에 걸쳐 채팅 도우미를 정렬할 때마다 새로운 답변을 샘플링하고 순위를 다시 지정하여 유용성을 향상합니다.
모델이 자체 응답 쌍을 생성하고 판단하여 더 나은 선호도 데이터를 부트스트랩하는 자체 보상 설정
원시 품질이 확립되면 이후 반복에서 길이 제어 DPO를 추가하여 답변의 장황함을 줄입니다.
테스트 결과로 판단하여 새로 생성된 솔루션 쌍에 대한 코딩 모델을 반복적으로 조정하는 것과 같은 도메인 적응
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
반복적 DPO 및 온라인 기본 설정 조정이 도움이 되는 문서와 더 간단한 방법이 더 나은 문서입니다.
계속 탐색하세요
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 Iterative DPO and Online Preference 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
다음 가이드
선호도 최적화의 길이 정규화
자주 묻는 질문
What is Iterative DPO and Online Preference Tuning?
반복적 DPO는 새로운 응답을 생성하고 순위를 매기고 매 라운드마다 새로운 쌍을 조정하여 인간 또는 AI 선호도에 맞게 언어 모델을 반복적으로 조정합니다. 정적인 일회성 선호도 데이터는 오래되고 반복을 통해 훈련 신호를 정책에 맞게 유지하고 모델을 개선하기 때문에 중요합니다.
기존 RLHF(PPO)에서 요구하는 것 중 DPO가 피하는 것은 무엇입니까?
DPO는 선호 쌍에서 직접 정책을 최적화하여 PPO 기반 RLHF가 사용하는 별도의 보상 모델과 RL 루프를 제거합니다.
고정된 데이터 세트에서 DPO를 한 번 실행하는 것보다 반복(온라인) DPO가 더 나은 이유는 무엇입니까?
매 라운드마다 응답을 재생성하고 레이블을 다시 지정하여 데이터를 현재 정책에 맞게 유지하여 분포 이동과 오래된 비교에 대한 과적합을 줄입니다.
DPO 손실에서 참조 모델은 어떤 역할을 합니까?
DPO는 정책과 참조 로그 확률을 비교합니다. 비율은 암묵적인 보상으로 작용하며 정책이 얼마나 멀리 표류하는지를 제한합니다.
온라인 DPO의 단일 반복에서 일반적인 순서는 무엇입니까?
각 루프는 현재 모델에서 새로운 완성을 생성하고 심사위원이 순위를 매기고 새 쌍에 DPO 업데이트를 적용합니다.
DPO의 베타 하이퍼파라미터는 무엇을 제어합니까?
베타는 암시적 보상의 온도처럼 작용하여 선호도에 맞추는 것과 참조에 가깝게 유지하는 것을 절충합니다.