Kordhinta Xulashada Saamiga Khasaarada
Odds Ratio Preference Optimization (ORPO) waa hab hagaagsan oo bara qaabka luqadda hab-dhaqan wanaagsan iyo dookhyada bini'aadamka ee hal baas tababar ah.
Dulmar
Waa arrin sababtoo ah waxay ka booddaa qaabka abaal-marinta gaarka ah ee caadiga ah iyo qaabka tixraaca, taasoo ka dhigaysa isku-habaynta mid ka jaban oo fudud.
quusid qoto dheer
ORPO, oo ay soo bandhigeen Hong, Lee, iyo Thorne sanadka 2024, waxay isku daraysaa hagaajinta la kormeerayo iyo toosinta doorbidida hal tallaabo. Inta badan dhuumaha isku toosinta ayaa marka hore SFT ku sameeya tusaalooyin wanaagsan, ka dibna waxay wadaan hab labaad sida RLHF ama DPO oo u baahan nuqul la qaboojiyey ee moodeelka (tixraac) oo lagu daray lammaane doorbidaya kaydsan. ORPO waxay meesha ka saartaa tusaalaha tixraaca gabi ahaanba. Luminta waxay ku daraysaa erey ciqaab ah ujeeddada caadiga ah ee xigta: waxay kor u qaadaysaa jaangooyooyinka moodeelku u qoondeeyo jawaabta la doortay (doorbiday) iyadoo hoos u riixaysa jaanisyada midka la diiday. Sababtoo ah waxay isticmaashaa saamiga nasiibka halkii ay ka isticmaali lahayd farqiga itimaalka log-gaaban ee xooggan, ciqaabtu waa mid fudud, marka moodeelku wuxuu bartaa inuu door bido jawaabaha wanaagsan isagoon si ba'an u iloobin jiilka faseexa ah.
Aragtida Farsamada
Luminta ORPO waa luminta iskutallaabta-entropy ee SFT oo lagu daray log-sigmoid miisaan leh oo saamiga log odds saamiga u dhexeeya jawaabaha la doortay iyo kuwa la diiday. Khasaaruhu waa siman yihiin p / (1-p), markaa saamiga ayaa isbarbar dhigaya inta badan ee moodeelku u helayo jawaabta wanaagsan iyo tan xun. Isticmaalka khayaaliga halkii laga isticmaali lahaa itimaalka ceeriin waxay ka dhigaysaa isbarbardhigga mid khafiif ah, kaas oo ka hortagaya xakamaynta xad-dhaafka ah ee calaamadaha la diiday taasoo hoos u dhigi karta qaabka aan la tixraacin.
Saamaynta Istiraatijiyadeed
Xawaaraha iyo miisaanka
Socodka shaqada luqaddu si dhakhso leh ayay u socon kartaa iyada oo aan la hurayn joogteynta.
Helitaanka iyo gaarsiinta
Waxay balaadhisaa gelitaanka luqadaha iyo qaababka isgaarsiinta.
Go'aamo cad
Kooxuhu waxay waqti badan ku qaadan karaan xukunka halka otomaatiggu uu qabanayo ku celcelinta.
Hagaajinta Xulashada Saami-khilaafka Mustaqbalka
ORPO waxay helaysaa soo jiidasho sababtoo ah waxay dhimaysaa xusuusta waxayna xisaabisaa iyadoo hoos u dhigaysa qaabka tixraaca, kaas oo soo jiidanaya kooxaha si fiican u habeynaya qalab xaddidan. Filo inay marar badan ka soo muuqato cuntooyinka il furan iyo sida ikhtiyaarka caadiga ah ee maktabadaha sida Hugging Face TRL. Shaqada mustaqbalka waxay u badan tahay inay si toos ah u hagaajin doonto miisaanka lambda, waxay ku dhex milmi doontaa ORPO ujeedooyinka kale ee bilaa tixraaca ah, oo waxay ku fidin doontaa moodooyinka badan iyo moodooyinka aadka u waaweyn halkaasoo qabashada laba nuqul ee xusuusta ay qaali tahay.
Dhaqangelinta Adduunka-dhabta ah
Hagaajinta qaabka furan ee qaabka wada sheekaysiga 7B ee lammaane doorbidaya iyada oo aan la soo dejin nuqul tixraac ah, kala badh xusuusta GPU
Bilaw isku toosiya kaaliyaha taageerada macmiilka si uu u door bido asluub leh, jawaabaha siyaasada ku jira hal tababar halkii uu ka isticmaali lahaa SFT-kadib-DPO
Cilmi-baarayaasha isbarbar dhigaya ORPO ee ka dhanka ah DPO isla xog isku mid ah si ay u muujiyaan isbarbardhig la mid ah xisaabinta hoose
Ku-habaynta qaabka saldhiga goob gaar ah (tusaale, sharci samaynta) halkaas oo lamaanayaasha wanaagsan iyo kuwa xunba laga heli karo laakiin miisaaniyad-qaabka abaal-marintu maaha
Khatarta & Dariiqyada Ilaalada
Xaqiiqooyinka dhalanteed waxay si deggan u geli karaan warbixinnada, taageerada socodka, ama natiijooyinka cilmi-baarista.
Dareenka degdega ahi wuxuu abuuri karaa natiijooyin aan iswaafaqayn codsiyada la midka ah.
Xogta qoraalka xasaasiga ah ayaa laga yaabaa in la kashifo haddii kontaroolada gelitaanka ay daciif yihiin.
Qorshe Hawleedka Dhaqangelinta
Qeex qaabka wax soo saarka, codka, iyo heerarka tayada ka hor inta aan la baahin.
Jawaabaha salka ku haya ilo lagu kalsoon yahay mar kasta oo saxnidu ay muhiim tahay.
Hayso isbaarada dib u eegista bini aadamka ee wax soo saarka sare.
Lasoco qaababka guuldarada oo dib u leyli dardargelinta ama socodka shaqada si joogto ah.
Sii wad Sahaminta
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 Odds Ratio Preference Optimization 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
Hagaha xiga
Xulashada tooska ah
Su'aalaha soo noqnoqda
Waa maxay Xulashada Khasaaruhu?
Odds Ratio Preference Optimization (ORPO) waa hab hagaagsan oo bara qaabka luqadda hab-dhaqan wanaagsan iyo dookhyada bini'aadamka ee hal baas tababar ah. Waa arrin sababtoo ah waxay ka booddaa qaabka abaal-marinta gaarka ah ee caadiga ah iyo qaabka tixraaca, taasoo ka dhigaysa isku-habaynta mid ka jaban oo fudud.
Waa maxay faa'iidada ugu weyn ee ORPO ee hababka sida DPO?
ORPO waxay laalaabtaa waxbarashada doorbidida lumitaanka SFT umana baahna nuqul tixraaceed la qaboojiyey ee moodeelka, kaydinta xusuusta iyo xisaabinta.
Waa maxay isbarbardhigga saamiga 'khasaaraha' ee ORPO?
ORPO waxay isticmaashaa saamiga jaangooyooyinka (p/(1-p)) moodeelku wuxuu ku meeleeyaa jawaabta la door bidayo iyo tan aan la doorbidin.
ORPO waa kuwee labada hawlood ee hal tabobar ku gudba?
ORPO waxay isku daraysaa ujeeddada SFT ee caadiga ah ee xigta iyo ciqaab doorbidaysa hal khasaare midaysan.
Maxay ORPO u isticmaashaa khayaali halkii ay ka ahaan lahayd kala duwanaanshiyaha itimaalka log-ga cayriin ee ciqaabta?
Ciqaabta ku salaysan khiyaamada ayaa fudud, iyadoo ka caawinaysa qaabka aan la tixraacin inuu sii hayo jiilka faseexa ah isagoo weli door bidaaya jawaabo wanaagsan.
Khasaaraha ORPO ayaa sida ugu wanaagsan loogu sifeeyay isku darka?
ORPO waxay ku daraa erey-ratio log-sigmoid miisaan leh oo ka sarreeya luminta-entropy-ka la kormeero.