개요
RFT(Rejection Sampling Fine-Tuning)는 많은 후보 답변을 생성하고 가장 높은 점수를 받은 답변만 유지하며 해당 우승자에 대해 모델을 재교육합니다. 복잡한 강화 학습 대신 간단한 지도 학습을 사용하여 RLHF의 많은 이점을 제공하기 때문에 중요합니다.
거부 샘플링 미세 조정은 대규모로 텍스트와 음성을 읽고, 생성하고, 분류하고, 변환하는 데 사용되는 언어 AI 스택의 일부입니다.
심층 분석
Rejection Sampling Fine-Tuning(N 베스트 미세 조정이라고도 함)은 Meta의 Llama 2 및 Llama 3과 같은 모델을 정렬하는 방법의 핵심 요소입니다. 레시피는 간단합니다. 각 프롬프트에 대해 현재 모델에서 여러 응답(예: 4~64개)을 샘플링하고 보상 모델 또는 자동 검사기로 각 응답을 채점한 다음 최상위 출력을 제외한 모든 항목을 삭제('거부')합니다. 살아남은 고품질 샘플은 새로운 감독 미세 조정 데이터 세트가 되며, 모델은 일반적인 다음 토큰 손실을 통해 이에 대해 훈련됩니다. 이 루프를 반복하면 모델이 자체적으로 더 나은 답변을 생성하는 방향으로 반복적으로 이동합니다. 모델은 필터링된 자체 출력을 통해 학습하기 때문에 RFT는 보상 신호를 활용하면서 정책 그라데이션 RL의 불안정성과 튜닝 문제를 방지합니다.
기술적 통찰력
RFT는 여러 번 샘플링하고 최대 보상 응답을 유지하는 것이 날카롭고 고품질 분포에서 선택하는 것과 유사하다는 사실을 활용합니다. 표준 교차 엔트로피를 통해 이러한 승자에 대한 교육을 통해 N 베스트 동작을 모델의 단일 샘플 출력으로 효과적으로 추출할 수 있습니다. 수학이나 코드와 같은 검증 가능한 도메인의 경우 '보상'은 단순히 최종 답변이나 단위 테스트의 통과 여부일 수 있으므로 학습된 보상 모델의 필요성이 완전히 제거됩니다.
거부 샘플링 미세 조정 마스터링
RFT(Rejection Sampling Fine-Tuning)는 많은 후보 답변을 생성하고 가장 높은 점수를 받은 답변만 유지하며 해당 우승자에 대해 모델을 재교육합니다. 복잡한 강화 학습 대신 간단한 지도 학습을 사용하여 RLHF의 많은 이점을 제공하기 때문에 중요합니다. 거부 샘플링 미세 조정은 대규모로 텍스트와 음성을 읽고, 생성하고, 분류하고, 변환하는 데 사용되는 언어 AI 스택의 일부입니다. 깊은 이해를 구축하려면 거부 샘플링 미세 조정을 단일 기능이 아닌 운영 모델로 취급하십시오. 즉, 원하는 결과를 정의하고, 가정을 명확히 하며, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Rejection Sampling Fine-Tuning 설계 프롬프트, 검색 및 검토 루프를 하나의 통합 커뮤니케이션 시스템으로 사용하는 강력한 팀입니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다. 동시에 환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
프롬프트당 여러 답변을 샘플링하고 가장 높은 보상 모델 점수를 유지한 다음 해당 항목에 대해 SFT를 수행하여 Llama 스타일 모델을 정렬합니다.
많은 솔루션을 생성하고 정확하고 확인 가능한 답에 도달하는 솔루션만 유지하여 수학 해결사를 개선합니다.
단위 테스트를 통과한 경우에만 후보가 유지된 후 훈련 데이터로 사용되는 코드 생성
다음 훈련 라운드를 위해 모델 자체 생성된 최상의 응답을 필터링하여 합성 명령 데이터 세트 구축
구현 패턴
실제로 거부 샘플링 미세 조정
프롬프트당 여러 답변을 샘플링하고 가장 높은 보상 모델 점수를 유지한 다음 이에 대해 SFT를 수행하여 Llama 스타일 모델을 정렬합니다.
프롬프트당 여러 답변을 샘플링하여 Llama 스타일 모델을 정렬하고 가장 높은 보상 모델 점수를 유지한 다음 해당 팀의 SFT는 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 일반적으로 더 나은 결과를 얻습니다.
실제로 거부 샘플링 미세 조정
많은 솔루션을 생성하고 정확하고 확인 가능한 답변에 도달하는 솔루션만 유지하여 수학 해결사를 개선합니다.
많은 솔루션을 생성하고 정확하고 확인 가능한 답변에 도달한 솔루션만 유지하여 수학 해결사를 개선합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 거부 샘플링 미세 조정
단위 테스트를 통과한 경우에만 후보가 유지된 다음 훈련 데이터로 사용되는 코드 생성입니다.
후보자가 단위 테스트를 통과한 경우에만 유지된 후 훈련 데이터로 사용되는 코드 생성 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 거부 샘플링 미세 조정
다음 훈련 라운드를 위해 모델 자체에서 생성된 최상의 응답을 필터링하여 합성 명령 데이터 세트를 구축합니다.
다음 훈련 라운드를 위해 모델 자체 생성된 최상의 응답을 필터링하여 합성 명령 데이터 세트 구축 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
위험 및 가드레일
환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다.
신속한 민감도는 유사한 요청 간에 일관되지 않은 결과를 초래할 수 있습니다.
액세스 제어가 약한 경우 민감한 텍스트 데이터가 노출될 수 있습니다.
구현 로드맵
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요.
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.