ภาพรวม
การปรับแต่งแบบละเอียดของการสุ่มตัวอย่างการปฏิเสธ (RFT) จะสร้างคำตอบของผู้สมัครจำนวนมาก เก็บเฉพาะคำตอบที่ให้คะแนนดีที่สุดเท่านั้น และฝึกแบบจำลองของผู้ชนะเหล่านั้นอีกครั้ง เป็นเรื่องสำคัญเนื่องจากให้ประโยชน์มากมายกับ RLHF โดยใช้การเรียนรู้แบบมีผู้สอนที่ตรงไปตรงมา แทนการเรียนรู้แบบเสริมที่ซับซ้อน
การปรับแต่งการสุ่มตัวอย่างการปฏิเสธแบบละเอียดเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
การปรับแต่งแบบละเอียดของการสุ่มตัวอย่างการปฏิเสธ ซึ่งบางครั้งเรียกว่าการปรับแต่งแบบละเอียดแบบ Best-of-N เป็นองค์ประกอบสำคัญในการจัดวางโมเดลอย่าง Llama 2 และ Llama 3 ของ Meta สูตรนั้นง่ายมาก: สำหรับแต่ละพรอมต์ ให้สุ่มตัวอย่างคำตอบหลายรายการ (เช่น 4 ถึง 64) จากโมเดลปัจจุบัน ให้คะแนนแต่ละรายการด้วยโมเดลรางวัลหรือเครื่องตรวจสอบอัตโนมัติ จากนั้นทิ้ง ('ปฏิเสธ') ทั้งหมด ยกเว้นเอาต์พุตที่มีอันดับสูงสุด ตัวอย่างคุณภาพสูงที่ยังหลงเหลืออยู่จะกลายเป็นชุดข้อมูลที่ได้รับการปรับแต่งอย่างละเอียดใหม่ และแบบจำลองจะได้รับการฝึกกับตัวอย่างเหล่านั้นโดยสูญเสียโทเค็นถัดไปตามปกติ การทำซ้ำลูปนี้ซ้ำๆ จะเป็นการดันแบบจำลองไปสู่การสร้างคำตอบที่ดีขึ้นด้วยตัวมันเอง เนื่องจากโมเดลเรียนรู้จากเอาต์พุตที่ถูกกรองของตัวเอง RFT จึงหลีกเลี่ยงความไม่เสถียรและการปรับแก้อาการปวดหัวของ RL แบบไล่ระดับนโยบาย ในขณะที่ยังคงใช้ประโยชน์จากสัญญาณรางวัล
ข้อมูลเชิงลึกทางเทคนิค
RFT ใช้ประโยชน์จากความจริงที่ว่าการสุ่มตัวอย่างหลายครั้งและการรักษาการตอบสนองที่ให้รางวัลสูงสุดนั้นใกล้เคียงกับการเลือกจากการกระจายที่คมชัดและมีคุณภาพสูงกว่า การฝึกอบรมผู้ชนะเหล่านั้นผ่านเอนโทรปีข้ามมาตรฐานจะกลั่นกรองพฤติกรรมที่ดีที่สุดของ N กลับไปสู่ผลลัพธ์ตัวอย่างเดียวของแบบจำลองได้อย่างมีประสิทธิภาพ สำหรับโดเมนที่ตรวจสอบได้ เช่น คณิตศาสตร์หรือโค้ด 'รางวัล' อาจเป็นเพียงแค่ว่าคำตอบสุดท้ายหรือการทดสอบหน่วยผ่านไป โดยไม่จำเป็นต้องมีโมเดลรางวัลที่เรียนรู้เลย
การปรับแต่งการสุ่มตัวอย่างการปฏิเสธอย่างเชี่ยวชาญ
การปรับแต่งแบบละเอียดของการสุ่มตัวอย่างการปฏิเสธ (RFT) จะสร้างคำตอบของผู้สมัครจำนวนมาก เก็บเฉพาะคำตอบที่ให้คะแนนดีที่สุดเท่านั้น และฝึกแบบจำลองของผู้ชนะเหล่านั้นอีกครั้ง เป็นเรื่องสำคัญเนื่องจากให้ประโยชน์มากมายกับ RLHF โดยใช้การเรียนรู้แบบมีผู้สอนที่ตรงไปตรงมา แทนการเรียนรู้แบบเสริมที่ซับซ้อน การปรับแต่งการสุ่มตัวอย่างการปฏิเสธแบบละเอียดเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Rejection Sampling Fine-Tuning เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งโดยใช้การแจ้งการออกแบบการปรับแต่งการสุ่มตัวอย่างการปฏิเสธ การเรียกข้อมูล และลูปการตรวจสอบเป็นระบบการสื่อสารแบบรวมระบบเดียว 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
การจัดแนวโมเดลสไตล์ลามะด้วยการสุ่มตัวอย่างหลายคำตอบต่อข้อความ โดยรักษาคะแนนโมเดลรางวัลสูงสุด จากนั้นจึงเลือก SFT ในคำตอบเหล่านั้น
ปรับปรุงตัวแก้โจทย์คณิตโดยสร้างวิธีแก้ปัญหามากมายและรักษาเฉพาะคำตอบที่ถูกต้องและตรวจสอบได้เท่านั้น
การสร้างโค้ดที่ผู้สมัครจะถูกเก็บไว้เฉพาะในกรณีที่ผ่านการทดสอบหน่วย จากนั้นจึงใช้เป็นข้อมูลการฝึกอบรม
การสร้างชุดข้อมูลคำสั่งสังเคราะห์โดยการกรองการตอบสนองที่ดีที่สุดของโมเดลเองสำหรับรอบการฝึกอบรมถัดไป
รูปแบบการดำเนินงาน
การปรับแต่งการสุ่มตัวอย่างการปฏิเสธในทางปฏิบัติ
การจัดแนวโมเดลสไตล์ลามะโดยการสุ่มตัวอย่างหลายคำตอบต่อข้อความ โดยรักษาคะแนนโมเดลรางวัลสูงสุด จากนั้นจึงเลือก SFT
การจัดแนวโมเดลสไตล์ Llama โดยการสุ่มตัวอย่างหลายคำตอบต่อการแจ้งเตือน โดยรักษาคะแนนโมเดลรางวัลสูงสุด จากนั้น SFT ของทีมเหล่านั้นมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การปรับแต่งการสุ่มตัวอย่างการปฏิเสธในทางปฏิบัติ
ปรับปรุงตัวแก้โจทย์คณิตโดยสร้างวิธีแก้ปัญหามากมายและรักษาเฉพาะคำตอบที่ถูกต้องและตรวจสอบได้เท่านั้น
การปรับปรุงตัวแก้ปัญหาทางคณิตศาสตร์โดยการสร้างโซลูชันจำนวนมากและรักษาเฉพาะคำตอบที่ถูกต้องและตรวจสอบได้ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การปรับแต่งการสุ่มตัวอย่างการปฏิเสธในทางปฏิบัติ
การสร้างโค้ดที่ผู้สมัครจะถูกเก็บไว้เฉพาะในกรณีที่ผ่านการทดสอบหน่วย จากนั้นจึงใช้เป็นข้อมูลการฝึกอบรม
การสร้างโค้ดที่ผู้สมัครจะถูกเก็บไว้เฉพาะเมื่อพวกเขาผ่านการทดสอบหน่วย จากนั้นใช้เป็นข้อมูลการฝึกอบรม ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การปรับแต่งการสุ่มตัวอย่างการปฏิเสธในทางปฏิบัติ
การสร้างชุดข้อมูลคำสั่งสังเคราะห์โดยการกรองการตอบสนองที่ดีที่สุดของโมเดลเองสำหรับรอบการฝึกอบรมถัดไป
การสร้างชุดข้อมูลคำสั่งสังเคราะห์โดยการกรองการตอบสนองที่ดีที่สุดของโมเดลเองสำหรับรอบการฝึกอบรมครั้งถัดไป 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