Finjustering av avvisningsprøver
Rejection Sampling Fine-Tuning (RFT) genererer mange kandidatsvar, beholder bare de best scorende og omskoler modellen på disse vinnerne.
Oversikt
It matters because it offers much of RLHF's benefit using straightforward supervised learning instead of complex reinforcement learning.
Dypdykk
Rejection Sampling Fine-Tuning, noen ganger kalt best-of-N-finjustering, er en nøkkelingrediens i hvordan modeller som Metas Llama 2 og Llama 3 ble justert. Oppskriften er enkel: For hver forespørsel kan du prøve flere svar (for eksempel 4 til 64) fra den gjeldende modellen, score hver med en belønningsmodell eller en automatisk kontrollør, og deretter forkaste ('avvise') alle unntatt de topprangerte utdataene. De overlevende prøvene av høy kvalitet blir et ferskt overvåket finjusteringsdatasett, og modellen trenes på dem med vanlig neste-token-tap. Å gjenta denne løkken iterativt dytter modellen mot å generere bedre svar på egen hånd. Fordi modellen lærer av sine egne filtrerte utganger, unngår RFT ustabiliteten og tuning-hodepinen til policy-gradient RL mens den fortsatt utnytter et belønningssignal.
Teknisk innsikt
RFT utnytter det faktum at prøvetaking mange ganger og beholde den maksimale belønningsresponsen tilnærmer å velge fra en skjerpet distribusjon av høyere kvalitet. Trening på disse vinnerne via standard kryssentropi destillerer effektivt den best-of-N-atferden tilbake til modellens enkeltprøveutganger. For verifiserbare domener som matematikk eller kode, kan "belønningen" ganske enkelt være om det endelige svaret eller enhetstesten består, noe som helt fjerner behovet for en lært belønningsmodell.
Strategisk innvirkning
Speed and scale
Språkarbeidsflyter kan bevege seg raskere uten å ofre konsistens.
Access and reach
Det utvider tilgangen på tvers av språk og kommunikasjonsstiler.
Tydeligere avgjørelser
Lag kan bruke mer tid på dømmekraft mens automatisering håndterer repetisjon.
Future of Rejection Sampling Fine-Tuning
RFT er sentralt i moderne ettertrening, ofte brukt før eller sammen med RL-metoder som PPO og DPO. Appellen vokser med billige slutninger og sterke automatiske verifikatorer: ettersom modellene blir bedre til å generere og sjekke selv, støtter gjentatt avvisningssampling syntetiske data og selvforbedringsløkker. Forvent tettere integrasjon med resonneringsmodeller som produserer verifiserbare tankekjeder, og pågående studier av hvordan man unngår belønningshacking og mangfoldskollaps når man trener gjentatte ganger på modellens egne resultater.
Real-World Implementering
Justere modeller i lama-stil ved å prøve ut flere svar per forespørsel, holde de høyeste poengsummene for belønningsmodellen, deretter SFT på disse
Forbedre en matematikkløser ved å generere mange løsninger og beholde bare de som når det riktige, kontrollerbare svaret
Kodegenerering der kandidater bare beholdes hvis de består enhetstester, og deretter brukes som treningsdata
Bygge syntetiske instruksjonsdatasett ved å filtrere en modells egne beste selvgenererte svar for neste treningsrunde
Risikoer og rekkverk
Hallusinerte fakta kan stille inn rapporter, støttestrømmer eller forskningsresultater.
Umiddelbar følsomhet kan skape inkonsistente resultater på tvers av lignende forespørsler.
Sensitive tekstdata kan bli eksponert hvis tilgangskontrollene er svake.
Veikart for implementering
Definer utdataformat, tone og kvalitetsstandarder før utrulling.
Bakgrunnssvar med pålitelige kilder når nøyaktighet er viktig.
Hold et sjekkpunkt for menneskelig vurdering for utganger med høy innsats.
Spor feilmønstre og tren opp meldinger eller arbeidsflyter regelmessig.
Fortsett å utforske
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
Neste guide
QLoRA og 4-bits finjustering
Ofte stilte spørsmål
What is Rejection Sampling Fine-Tuning?
Rejection Sampling Fine-Tuning (RFT) genererer mange kandidatsvar, beholder bare de best scorende og omskoler modellen på disse vinnerne. Det betyr noe fordi det gir mye av RLHFs fordel ved å bruke enkel veiledet læring i stedet for kompleks forsterkende læring.
Hva er kjerneideen med Finjustering av avvisningsprøver?
RFT sampler flere svar, filtrerer til de som får toppscore, og finjusterer modellen på disse vinnerne.
Hva kan tjene som belønning i verifiserbare domener som matematikk eller kode?
For kontrollerbare oppgaver kan RFT bruke eksakt korrekthet eller bestå enhetstester, og unngå en lært belønningsmodell.
Hvilken modellfamilie brukte velkjent avvisningsprøvetaking under justering?
Meta beskrevet ved bruk av avvisningsprøver som en del av oppskriften etter trening for Llama 2- og Llama 3-modellene.
Hvorfor kan team foretrekke RFT fremfor policy-gradient RL som PPO?
RFT omskolerer seg med standard neste-token-tap på filtrerte prøver, og omgår tuning-vanskeligheten og ustabiliteten til policy-gradient-metoder.
Hva gjør trening på prøvene med maksimal belønning effektivt?
Ved å lære av de toppfiltrerte svarene internaliserer modellen atferd av høyere kvalitet i en enkelt generasjon.