ภาพรวม
การสุ่มตัวอย่างที่ดีที่สุดของ N จะสร้างคำตอบของผู้สมัครหลายคำตอบจากแบบจำลอง จากนั้นเลือกคำตอบที่ดีที่สุดโดยใช้ขั้นตอนการให้คะแนนที่แยกต่างหาก นี่เป็นหนึ่งในวิธีที่ง่ายที่สุดและน่าเชื่อถือที่สุดในการแลกเปลี่ยนการประมวลผลเพิ่มเติม ณ เวลาอนุมานเพื่อให้ได้คำตอบที่มีคุณภาพสูงขึ้น
การสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุดเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
โมเดลภาษาที่มีการสุ่มตัวอย่างจะสร้างเอาต์พุตที่แตกต่างกันในแต่ละครั้งที่คุณรัน Best-of-N ใช้ประโยชน์จากสิ่งนี้: คุณวาดคำตอบของผู้สมัคร N รายการ จากนั้นจัดอันดับใหม่และส่งคืนคำตอบอันดับต้นๆ การจัดอันดับใหม่อาจเป็นโมเดลรางวัลการเรียนรู้ (โดยทั่วไปในการเรียนรู้แบบเสริมกำลังจากผลตอบรับของมนุษย์) ผู้ตรวจสอบที่ตรวจสอบความถูกต้อง หรือการวิเคราะห์พฤติกรรมแบบง่าย เช่น ข้อตกลงคำตอบผ่านการลงคะแนนเสียงข้างมาก เนื่องจากแบบจำลองต้องการความพยายามที่ดีเพียงครั้งเดียวจากหลายๆ ครั้ง คุณภาพจึงมักจะเพิ่มขึ้นอย่างรวดเร็วเมื่อ N เติบโตขึ้น โดยเฉพาะอย่างยิ่งในงานการให้เหตุผลและการเขียนโค้ดซึ่งมีเส้นทางที่ถูกต้องแต่ไม่ใช่ตัวอย่างแรกเสมอไป ค่าใช้จ่ายจะเป็นเส้นตรงในหน่วย N และจะเพิ่มขึ้นในระดับสูงหรือแม้กระทั่งย้อนกลับหากผู้บันทึกคะแนนไม่สมบูรณ์ โหมดความล้มเหลวที่เรียกว่าการแฮ็กรางวัลหรือการเพิ่มประสิทธิภาพรางวัลมากเกินไป
ข้อมูลเชิงลึกทางเทคนิค
คุณภาพที่ดีที่สุดของ N ขึ้นอยู่กับผู้บันทึกคะแนนทั้งหมด ด้วยเครื่องตรวจสอบที่สมบูรณ์แบบ ความแม่นยำเข้าใกล้โอกาสที่ตัวอย่าง N อย่างน้อยหนึ่งรายการจะถูกต้อง ซึ่งจะเพิ่มขึ้นอย่างรวดเร็วด้วย N ด้วยรูปแบบการให้รางวัลที่มีเสียงดัง การเลือกอาจถูกหลอกได้: การกด N สูงมากจะขยายเอาต์พุตที่ได้คะแนนสูงแต่จริงๆ แล้วผิด เนื่องจากคุณกำลังปรับให้เหมาะสมกับจุดบอดของผู้บันทึกคะแนน นี่คือเหตุผลว่าทำไมโมเดลรางวัลที่แข็งแกร่งที่ได้รับการปรับเทียบแล้วจึงมีความสำคัญสำหรับเทคนิคในการให้ผลตอบแทนที่คุ้มค่า
การเรียนรู้การสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุด
การสุ่มตัวอย่างที่ดีที่สุดของ N จะสร้างคำตอบของผู้สมัครหลายคำตอบจากแบบจำลอง จากนั้นเลือกคำตอบที่ดีที่สุดโดยใช้ขั้นตอนการให้คะแนนที่แยกต่างหาก นี่เป็นหนึ่งในวิธีที่ง่ายที่สุดและน่าเชื่อถือที่สุดในการแลกเปลี่ยนการประมวลผลเพิ่มเติม ณ เวลาอนุมานเพื่อให้ได้คำตอบที่มีคุณภาพสูงขึ้น การสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุดเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Best-of-N Sampling และ Reranking เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งใช้พรอมต์การออกแบบการสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุด การดึงข้อมูล และการตรวจสอบลูปเป็นระบบการสื่อสารแบบรวมระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
สุ่มตัวอย่างวิธีแก้ปัญหาทางคณิตศาสตร์ 64 ข้อ และเลือกคำตอบที่กลุ่มตัวอย่างส่วนใหญ่เห็นด้วย (ความสม่ำเสมอในตนเอง / การลงคะแนนเสียงข้างมาก)
สร้างการเติมโค้ดให้สมบูรณ์หลายครั้งและเก็บโค้ดที่ผ่านการทดสอบหน่วยส่วนใหญ่ไว้เป็นตัวตรวจสอบอัตโนมัติ
ดึงคำตอบหลายรายการในไปป์ไลน์ RLHF และเลือกคำตอบที่โมเดลให้คะแนนรางวัลสูงสุดเพื่อให้บริการแก่ผู้ใช้
สร้างบทสรุปฉบับร่างหลายฉบับและจัดอันดับใหม่ด้วยแบบจำลองคุณภาพเพื่อให้ได้ข้อสรุปที่น่าเชื่อถือและกระชับที่สุด
รูปแบบการดำเนินงาน
การสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุดในทางปฏิบัติ
สุ่มตัวอย่างวิธีแก้ปัญหาทางคณิตศาสตร์ 64 ข้อ และเลือกคำตอบที่กลุ่มตัวอย่างส่วนใหญ่เห็นด้วย (ความสม่ำเสมอในตนเอง / การลงคะแนนเสียงข้างมาก)
การสุ่มตัวอย่างวิธีแก้ปัญหาทางคณิตศาสตร์ 64 รายการและเลือกคำตอบที่กลุ่มตัวอย่างส่วนใหญ่เห็นด้วย (ความสม่ำเสมอในตนเอง / การลงคะแนนเสียงส่วนใหญ่) โดยปกติแล้วทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุดในทางปฏิบัติ
สร้างการเติมโค้ดให้สมบูรณ์หลายครั้งและเก็บโค้ดที่ผ่านการทดสอบหน่วยส่วนใหญ่ไว้เป็นตัวตรวจสอบอัตโนมัติ
การสร้างโค้ดให้สมบูรณ์หลายรายการและเก็บโค้ดที่ผ่านการทดสอบหน่วยส่วนใหญ่ไว้เป็นตัวตรวจสอบอัตโนมัติ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุดในทางปฏิบัติ
ดึงคำตอบหลายรายการในไปป์ไลน์ RLHF และเลือกคำตอบที่โมเดลให้คะแนนรางวัลสูงสุดเพื่อให้บริการแก่ผู้ใช้
การวาดคำตอบหลายรายการในไปป์ไลน์ RLHF และเลือกการตอบกลับที่มีคะแนนแบบจำลองที่ได้รับรางวัลสูงสุดเพื่อให้บริการแก่ผู้ใช้ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การสุ่มตัวอย่างและการจัดอันดับใหม่ที่ดีที่สุดในทางปฏิบัติ
สร้างบทสรุปฉบับร่างหลายฉบับและจัดอันดับใหม่ด้วยแบบจำลองคุณภาพเพื่อให้ได้ข้อสรุปที่น่าเชื่อถือและกระชับที่สุด
การสร้างบทสรุปแบบร่างหลายฉบับและจัดอันดับใหม่ด้วยแบบจำลองคุณภาพเพื่อส่งคืนข้อมูลที่เที่ยงตรงและกระชับที่สุด ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น