ภาพรวม
Odds Ratio Preference Optimization (ORPO) เป็นวิธีการปรับแต่งที่สอนแบบจำลองภาษาพฤติกรรมที่ดีและความชอบของมนุษย์ในบัตรผ่านการฝึกอบรมใบเดียว เป็นเรื่องสำคัญเนื่องจากข้ามโมเดลการให้รางวัลและโมเดลอ้างอิงที่แยกจากกันตามปกติ ทำให้การจัดตำแหน่งถูกลงและง่ายขึ้น
การเพิ่มประสิทธิภาพการตั้งค่าอัตราส่วนอัตราต่อรองเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
ORPO ซึ่งเปิดตัวโดย Hong, Lee และ Thorne ในปี 2024 ได้รวมการปรับแต่งอย่างละเอียดภายใต้การดูแลและการจัดตำแหน่งการตั้งค่าไว้ในขั้นตอนเดียว ไปป์ไลน์การจัดตำแหน่งส่วนใหญ่จะทำ SFT ตามตัวอย่างที่ดีก่อน จากนั้นจึงเรียกใช้วิธีที่สอง เช่น RLHF หรือ DPO ที่ต้องมีสำเนาของโมเดลที่ถูกแช่แข็ง (ข้อมูลอ้างอิง) บวกกับคู่การตั้งค่าที่เก็บไว้ ORPO จะลบโมเดลอ้างอิงออกทั้งหมด การสูญเสียจะเพิ่มโทษให้กับวัตถุประสงค์โทเค็นถัดไปมาตรฐาน: เพิ่มอัตราต่อรองที่แบบจำลองกำหนดให้กับการตอบสนองที่เลือก (ที่ต้องการ) ในขณะเดียวกันก็ลดโอกาสของการถูกปฏิเสธ เนื่องจากใช้อัตราส่วนอัตราต่อรองมากกว่าช่องว่างความน่าจะเป็นของบันทึกที่แข็งแกร่ง บทลงโทษจึงไม่รุนแรง ดังนั้นแบบจำลองจึงเรียนรู้ที่จะสนับสนุนคำตอบที่ดีโดยไม่ลืมการสร้างคล่องอย่างหายนะ
ข้อมูลเชิงลึกทางเทคนิค
การสูญเสียของ ORPO คือการสูญเสียเอนโทรปีข้าม SFT บวกกับบันทึกซิกมอยด์แบบถ่วงน้ำหนักของอัตราส่วนอัตราต่อรองของบันทึกระหว่างคำตอบที่เลือกและถูกปฏิเสธ อัตราต่อรองเท่ากับ p/(1-p) ดังนั้นอัตราส่วนจะเปรียบเทียบว่าแบบจำลองมีโอกาสมากน้อยเพียงใดที่จะพบคำตอบที่ดีกับคำตอบที่แย่ การใช้อัตราต่อรองแทนความน่าจะเป็นแบบดิบจะรักษาค่าคอนทราสต์ที่ไม่รุนแรง ซึ่งป้องกันการปราบปรามโทเค็นที่ถูกปฏิเสธมากเกินไป ซึ่งอาจทำให้โมเดลที่ไม่มีการอ้างอิงลดลงได้
การเพิ่มประสิทธิภาพการตั้งค่าอัตราส่วนอัตราต่อรองอย่างเชี่ยวชาญ
Odds Ratio Preference Optimization (ORPO) เป็นวิธีการปรับแต่งที่สอนแบบจำลองภาษาพฤติกรรมที่ดีและความชอบของมนุษย์ในบัตรผ่านการฝึกอบรมใบเดียว เป็นเรื่องสำคัญเนื่องจากข้ามโมเดลการให้รางวัลและโมเดลอ้างอิงที่แยกจากกันตามปกติ ทำให้การจัดตำแหน่งถูกลงและง่ายขึ้น การเพิ่มประสิทธิภาพการตั้งค่าอัตราส่วนอัตราต่อรองเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Odds Ratio Preference Optimization เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Odds Ratio Preference Optimization ออกแบบพร้อมท์ 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
ปรับแต่งโมเดลแชทโอเพ่นซอร์ส 7B บนคู่การตั้งค่าโดยไม่ต้องโหลดสำเนาอ้างอิงที่สอง ลดหน่วยความจำ GPU ลงครึ่งหนึ่ง
สตาร์ทอัพที่จัดผู้ช่วยฝ่ายสนับสนุนลูกค้าให้ต้องการคำตอบที่สุภาพและเป็นไปตามนโยบายในการฝึกอบรมครั้งเดียวแทน SFT-then-DPO
นักวิจัยเปรียบเทียบ ORPO กับ DPO บนชุดข้อมูลเดียวกันเพื่อแสดงการจัดตำแหน่งที่เทียบเคียงได้กับการประมวลผลที่ต่ำกว่า
การปรับแบบจำลองฐานให้เข้ากับโดเมนเฉพาะ (เช่น การร่างกฎหมาย) ซึ่งมีคู่ตัวอย่างที่ดีและไม่ดีให้เลือก แต่ไม่มีงบประมาณสำหรับแบบจำลองรางวัล
รูปแบบการดำเนินงาน
การเพิ่มประสิทธิภาพการตั้งค่าอัตราส่วนอัตราต่อรองในทางปฏิบัติ
ปรับแต่งโมเดลแชทโอเพ่นซอร์ส 7B บนคู่การตั้งค่าโดยไม่ต้องโหลดสำเนาอ้างอิงชุดที่สอง ลดหน่วยความจำ GPU ลงครึ่งหนึ่ง
การปรับแต่งโมเดลแชทโอเพ่นซอร์ส 7B อย่างละเอียดบนคู่การตั้งค่าโดยไม่ต้องโหลดสำเนาอ้างอิงชุดที่สอง การลดหน่วยความจำ GPU ลงครึ่งหนึ่ง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพการตั้งค่าอัตราส่วนอัตราต่อรองในทางปฏิบัติ
สตาร์ทอัพที่จัดผู้ช่วยฝ่ายสนับสนุนลูกค้าให้ต้องการคำตอบที่สุภาพและเป็นไปตามนโยบายในการฝึกอบรมครั้งเดียว แทนที่จะเป็น SFT-แล้ว-DPO
สตาร์ทอัพที่จัดให้ผู้ช่วยฝ่ายสนับสนุนลูกค้าต้องการคำตอบที่สุภาพและเป็นไปตามนโยบายในการฝึกอบรมครั้งเดียวแทนที่จะเป็น SFT จากนั้นทีม DPO มักจะได้รับผลลัพธ์ที่ดีกว่า เมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพการตั้งค่าอัตราส่วนอัตราต่อรองในทางปฏิบัติ
นักวิจัยเปรียบเทียบ ORPO กับ DPO บนชุดข้อมูลเดียวกันเพื่อแสดงการจัดตำแหน่งที่เทียบเคียงได้กับการประมวลผลที่ต่ำกว่า
นักวิจัยเปรียบเทียบ ORPO กับ DPO บนชุดข้อมูลเดียวกันเพื่อแสดงการจัดตำแหน่งที่เทียบเคียงได้กับทีมประมวลผลที่ต่ำกว่ามักจะได้รับผลลัพธ์ที่ดีกว่า เมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพการตั้งค่าอัตราส่วนอัตราต่อรองในทางปฏิบัติ
การปรับแบบจำลองฐานให้เข้ากับโดเมนเฉพาะ (เช่น การร่างกฎหมาย) ซึ่งมีคู่ตัวอย่างที่ดีและไม่ดีให้เลือก แต่ไม่มีงบประมาณสำหรับแบบจำลองรางวัล
การปรับโมเดลพื้นฐานเข้ากับโดเมนเฉพาะทาง (เช่น การร่างกฎหมาย) ซึ่งมีคู่ตัวอย่างที่ดีและไม่ดี แต่งบประมาณของโมเดลรางวัลไม่ใช่ โดยทั่วไปแล้ว ทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
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