Dostrajanie próbkowania odrzucenia
Dostrajanie próbkowania odrzuconego (RFT) generuje wiele potencjalnych odpowiedzi, zatrzymuje tylko te z najlepszymi wynikami i ponownie szkoli model na tych zwycięzcach.
Przegląd
It matters because it offers much of RLHF's benefit using straightforward supervised learning instead of complex reinforcement learning.
Głębokie nurkowanie
Precyzyjne dostrajanie próbkowania odrzuconego, czasami nazywane dostrajaniem typu best-of-N, jest kluczowym składnikiem dopasowania modeli takich jak Lama 2 i Lama 3 firmy Meta. Przepis jest prosty: dla każdego podpowiedzi wypróbuj kilka odpowiedzi (powiedzmy od 4 do 64) z bieżącego modelu, oceń każdą za pomocą modelu nagrody lub automatycznego sprawdzania, a następnie odrzuć („odrzuć”) wszystkie wyniki oprócz najwyżej ocenionych. Zachowane próbki wysokiej jakości stają się świeżym, nadzorowanym zestawem danych dostrajających, a model jest na nich szkolony ze zwykłą stratą następnego tokenu. Powtarzanie tej pętli iteracyjnie popycha model w kierunku samodzielnego generowania lepszych odpowiedzi. Ponieważ model uczy się na podstawie własnych, przefiltrowanych wyników, RFT pozwala uniknąć problemów związanych z niestabilnością i dostrajaniem RL z gradientem polityki, jednocześnie wykorzystując sygnał nagrody.
Wgląd techniczny
RFT wykorzystuje fakt, że wielokrotne próbkowanie i utrzymywanie maksymalnej nagrody jest zbliżone do wybierania z wyostrzonej dystrybucji o wyższej jakości. Trenowanie tych zwycięzców za pomocą standardowej entropii krzyżowej skutecznie destyluje najlepsze z N zachowań z powrotem do wyników pojedynczej próbki modelu. W przypadku weryfikowalnych dziedzin, takich jak matematyka czy kod, „nagrodą” może być po prostu pozytywne zdanie ostatecznej odpowiedzi lub testu jednostkowego, co całkowicie eliminuje potrzebę wyuczonego modelu nagrody.
Wpływ strategiczny
Szybkość i skala
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności.
Dostęp i zasięg
Rozszerza dostęp w różnych językach i stylach komunikacji.
Jaśniejsze decyzje
Zespoły mogą spędzać więcej czasu na ocenie, podczas gdy automatyzacja radzi sobie z powtarzalnością.
Przyszłość dostrajania próbkowania odrzucenia
RFT ma kluczowe znaczenie dla współczesnego treningu poszkoleniowego, często stosowanego przed lub obok metod RL, takich jak PPO i DPO. Jego atrakcyjność rośnie dzięki taniemu wnioskowaniu i silnym automatycznym weryfikatorom: w miarę jak modele stają się coraz lepsze w zakresie samogenerowania i samokontroli, iteracyjne próbkowanie odrzucające wspiera pętle danych syntetycznych i samodoskonalenia. Spodziewaj się ściślejszej integracji z modelami rozumowania, które tworzą weryfikowalne łańcuchy myślowe, oraz ciągłych badań nad tym, jak uniknąć hakowania nagród i załamania różnorodności podczas wielokrotnego uczenia się na podstawie własnych wyników modelu.
Implementacja w świecie rzeczywistym
Dopasowywanie modeli w stylu lamy poprzez próbkowanie wielu odpowiedzi na monit, utrzymywanie najwyższych wyników modelu nagrody, a następnie SFT na tych
Udoskonalanie narzędzia matematycznego poprzez generowanie wielu rozwiązań i zachowywanie tylko tych, które dają poprawną, możliwą do sprawdzenia odpowiedź
Generowanie kodu, w którym kandydaci są przetrzymywani tylko wtedy, gdy przejdą testy jednostkowe, a następnie wykorzystywane jako dane szkoleniowe
Tworzenie zbiorów danych instrukcji syntetycznych poprzez filtrowanie najlepszych, samodzielnie wygenerowanych odpowiedzi modelu na potrzeby następnej rundy szkoleniowej
Zagrożenia i poręcze
Halucynacyjne fakty mogą po cichu trafiać do raportów, strumieni wsparcia lub wyników badań.
Szybka czułość może spowodować niespójne wyniki w przypadku podobnych żądań.
Wrażliwe dane tekstowe mogą zostać ujawnione, jeśli kontrola dostępu jest słaba.
Plan wdrożenia
Zdefiniuj format wyjściowy, ton i standardy jakości przed wdrożeniem.
Zawsze, gdy liczy się dokładność, korzystaj z zaufanych źródeł.
Utrzymuj punkt kontrolny weryfikacji ręcznej w przypadku wyników o wysokiej stawce.
Śledź wzorce niepowodzeń i regularnie powtarzaj monity lub przepływy pracy.
Odkrywaj dalej
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
Następny poradnik
QLoRA i 4-bitowe dostrajanie
Często zadawane pytania
What is Rejection Sampling Fine-Tuning?
Dostrajanie próbkowania odrzuconego (RFT) generuje wiele potencjalnych odpowiedzi, zatrzymuje tylko te z najlepszymi wynikami i ponownie szkoli model na tych zwycięzcach. Ma to znaczenie, ponieważ oferuje wiele korzyści RLHF dzięki prostemu nadzorowanemu uczeniu się zamiast złożonego uczenia się przez wzmacnianie.
Jaka jest podstawowa idea dostrajania próbkowania odrzuconego?
RFT pobiera próbki z wielu odpowiedzi, filtruje te z najwyższymi wynikami i dopasowuje model na podstawie tych zwycięzców.
Co w sprawdzalnych dziedzinach, takich jak matematyka czy kod, może służyć jako nagroda?
W przypadku zadań sprawdzalnych RFT może zastosować dokładną poprawność lub zaliczenie testów jednostkowych, unikając wyuczonego modelu nagrody.
Która rodzina modeli słynęła z próbkowania odrzuconego podczas wyrównywania?
Meta opisany przy użyciu próbkowania odrzuconego jako część przepisu potreningowego dla modeli Lama 2 i Lama 3.
Dlaczego zespoły mogą preferować RFT zamiast RL z gradientem zasad, takiego jak PPO?
RFT przekwalifikowuje się ze standardową stratą następnego tokena na filtrowanych próbkach, omijając trudności w dostrajaniu i niestabilność metod gradientu polityki.
Co skutecznie daje szkolenie na próbkach zapewniających maksymalną nagrodę?
Ucząc się na podstawie najlepiej przefiltrowanych odpowiedzi, model internalizuje zachowania wyższej jakości w ciągu jednego pokolenia.