Afwijzingsbemonstering fijnafstemming
Rejection Sampling Fine-Tuning (RFT) genereert veel antwoorden van kandidaten, behoudt alleen de best scorende antwoorden en traint het model opnieuw op basis van die winnaars.
Overzicht
It matters because it offers much of RLHF's benefit using straightforward supervised learning instead of complex reinforcement learning.
Diepe duik
Fine-tuning van Rejection Sampling, ook wel best-of-N fine-tuning genoemd, is een belangrijk ingrediënt in de manier waarop modellen als Meta's Llama 2 en Llama 3 op elkaar zijn afgestemd. Het recept is eenvoudig: neem voor elke prompt een steekproef van verschillende reacties (bijvoorbeeld 4 tot 64) uit het huidige model, beoordeel ze allemaal met een beloningsmodel of een automatische controle en gooi vervolgens alle antwoorden weg ('afwijzen'), behalve de hoogst gerangschikte resultaten. De overgebleven monsters van hoge kwaliteit worden een nieuwe dataset voor verfijnde afstemming onder toezicht, en het model wordt daarop getraind met gewoon verlies van de volgende token. Door deze lus iteratief te herhalen, wordt het model ertoe aangezet zelf betere antwoorden te genereren. Omdat het model leert van zijn eigen gefilterde outputs, vermijdt RFT de instabiliteit en afstemmingsproblemen van beleidsgradiënt RL, terwijl het nog steeds gebruik maakt van een beloningssignaal.
Technisch inzicht
RFT maakt gebruik van het feit dat het vele malen samplen en het behouden van de maximale beloningsrespons in de buurt komt van het kiezen uit een scherpere distributie van hogere kwaliteit. Door te trainen op die winnaars via standaard cross-entropie wordt dat best-of-N-gedrag effectief teruggedrongen in de single-sample-outputs van het model. Voor verifieerbare domeinen zoals wiskunde of code kan de 'beloning' eenvoudigweg zijn of het eindantwoord of de eenheidstest slaagt, waardoor de noodzaak voor een aangeleerd beloningsmodel volledig overbodig wordt.
Strategische impact
Speed and scale
Taalworkflows kunnen sneller verlopen zonder dat dit ten koste gaat van de consistentie.
Access and reach
Het breidt de toegang uit naar meerdere talen en communicatiestijlen.
Clearer decisions
Teams kunnen meer tijd besteden aan beoordeling, terwijl automatisering de herhaling afhandelt.
De toekomst van het afstemmen van afwijzingssampling
RFT staat centraal in moderne post-training, vaak gebruikt vóór of naast RL-methoden zoals PPO en DPO. De aantrekkingskracht ervan groeit met goedkope gevolgtrekkingen en sterke automatische verificaties: naarmate modellen beter worden in het genereren en controleren van zichzelf, ondersteunt herhaalde afwijzingssteekproeven synthetische gegevens en zelfverbeteringslussen. Verwacht een nauwere integratie met redeneermodellen die verifieerbare denkketens opleveren, en een voortdurend onderzoek naar hoe beloningshacking en het instorten van de diversiteit kunnen worden voorkomen wanneer herhaaldelijk wordt getraind op de eigen resultaten van een model.
Implementatie in de echte wereld
Modellen in lama-stijl uitlijnen door meerdere antwoorden per prompt te samplen, waarbij de hoogste scores van het beloningsmodel behouden blijven, en vervolgens SFT daarop
Een wiskundeoplosser verbeteren door veel oplossingen te genereren en alleen die oplossingen te behouden die het juiste, controleerbare antwoord opleveren
Het genereren van code waarbij kandidaten alleen worden bewaard als ze slagen voor unit-tests, en vervolgens worden gebruikt als trainingsgegevens
Het bouwen van synthetische instructiedatasets door de beste zelf gegenereerde reacties van een model te filteren voor de volgende trainingsronde
Risico's en vangrails
Gehallucineerde feiten kunnen stilletjes rapporten binnendringen, stromen ondersteunen of onderzoeksresultaten opleveren.
Gevoeligheid voor prompts kan inconsistente resultaten opleveren voor vergelijkbare verzoeken.
Gevoelige tekstgegevens kunnen openbaar worden gemaakt als de toegangscontroles zwak zijn.
Implementatie routekaart
Definieer het uitvoerformaat, de toon en de kwaliteitsnormen vóór de implementatie.
Grondreacties met vertrouwde bronnen wanneer nauwkeurigheid belangrijk is.
Houd een menselijk controlepunt bij voor resultaten met een hoge inzet.
Houd faalpatronen bij en train prompts of workflows regelmatig opnieuw.
Blijf verkennen
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
Next guide
QLoRA en 4-bits fijnafstemming
Frequently asked questions
What is Rejection Sampling Fine-Tuning?
Rejection Sampling Fine-Tuning (RFT) genereert veel antwoorden van kandidaten, behoudt alleen de best scorende antwoorden en traint het model opnieuw op basis van die winnaars. Het is van belang omdat het een groot deel van de voordelen van RLHF biedt door gebruik te maken van eenvoudig begeleid leren in plaats van complex versterkend leren.
Wat is het kernidee van Rejection Sampling Fine-Tuning?
RFT bemonstert meerdere reacties, filtert op de best scorende reacties en verfijnt het model op die winnaars.
Wat kan als beloning dienen in verifieerbare domeinen zoals wiskunde of code?
Voor controleerbare taken kan RFT exacte correctheid gebruiken of unit-tests doorstaan, waardoor een aangeleerd beloningsmodel wordt vermeden.
Welke modelfamilie maakte op beroemde wijze gebruik van afstotingssteekproeven tijdens het uitlijnen?
Meta heeft het gebruik van afwijzingsmonsters beschreven als onderdeel van het post-trainingsrecept voor de Llama 2- en Llama 3-modellen.
Waarom zouden teams RFT verkiezen boven beleidsgradiënt RL zoals PPO?
RFT hertraint met standaard next-token-verlies op gefilterde monsters, waardoor de afstemmingsproblemen en instabiliteit van beleidsgradiëntmethoden worden omzeild.
Wat doet training op de monsters met maximale beloning effectief?
Door te leren van de best gefilterde reacties, internaliseert het model gedrag van hogere kwaliteit in één generatie.