SıradakiSonraki rehber
Doğrudan Tercih Optimizasyonu
Dil Yapay Zeka
Dil AI KILAVUZU
Oran Oranı Tercihi Optimizasyonu
ORPO combines supervised fine-tuning with an odds-ratio preference penalty in one training phase and does not require a separate reference model.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
Its behavior depends on the preference data, objective settings, and implementation.
Derin Dalış
Odds Ratio Preference Optimization starts with supervised fine-tuning on preferred responses and adds a penalty that contrasts the policy’s odds for chosen and disfavored responses. This monolithic objective avoids a separate reference model and a distinct preference-optimization phase. The paper describes the objective as a way to apply preference alignment during SFT; it does not mean that every data pipeline or implementation uses no auxiliary components. The odds transformation produces a different penalty shape from a raw log-probability difference. Outcomes depend on the preference dataset, coefficient, base model, and evaluation. ORPO is a training method, not an inference-time decoding rule or a guarantee that preferences are faithfully represented.
Gerçek Dünya Uygulaması
Açık kaynaklı bir 7B sohbet modeline ikinci bir referans kopyası yüklemeden tercih çiftlerinde ince ayar yapılması, GPU belleğinin yarıya indirilmesi
Bir müşteri destek asistanını, SFT ve ardından DPO yerine tek bir eğitim çalıştırmasında kibar, politikaya uygun yanıtları tercih edecek şekilde ayarlayan bir girişim
Daha düşük bilgi işlemle karşılaştırılabilir uyum göstermek için aynı veri kümesinde ORPO'yu DPO ile karşılaştıran araştırmacılar
Temel modeli, iyi ve kötü örnek çiftlerinin mevcut olduğu ancak ödül modeli bütçesinin bulunmadığı özel bir alana (örneğin, yasal taslak hazırlama) uyarlamak
Olasılık Oranı Tercih Optimizasyonunun Geleceği
ORPO, sınırlı donanım üzerinde ince ayar yapan ekipler için cazip olan referans modelini bırakarak hafızayı ve hesaplamayı azalttığı için ilgi kazanıyor. Açık kaynaklı tariflerde daha sık ve Hugging Face TRL gibi kitaplıklarda varsayılan seçenek olarak görünmesini bekleyin. Gelecekteki çalışmalar muhtemelen lambda ağırlıklandırmasını otomatik olarak ayarlayacak, ORPO'yu diğer referanssız hedeflerle harmanlayacak ve bunu iki kopyayı bellekte tutmanın maliyetli olduğu çok modlu ve çok büyük modellere genişletecek.
Uygulamaya koymak
Neden önemli?
- Hız ve ölçek. Dil iş akışları tutarlılıktan ödün vermeden daha hızlı ilerleyebilir.
- Erişim ve erişim. Diller ve iletişim tarzları arasında erişimi genişletir.
- Daha net kararlar. Otomasyon tekrarlamayı yönetirken ekipler karar vermeye daha fazla zaman ayırabilir.
Dikkat edin
- Halüsinasyonlu gerçekler sessizce raporlara, destek akışlarına veya araştırma çıktılarına girebilir.
- İstem hassasiyeti, benzer istekler arasında tutarsız sonuçlar yaratabilir.
- Erişim kontrolleri zayıfsa hassas metin verileri açığa çıkabilir.
Sonraki adımlar
- Kullanıma sunmadan önce çıktı formatını, tonunu ve kalite standartlarını tanımlayın.
- Doğruluğun önemli olduğu durumlarda güvenilir kaynaklarla zemin müdahaleleri.
- Yüksek riskli çıktılar için insan incelemesi kontrol noktası bulundurun.
- Arıza modellerini takip edin ve istemleri veya iş akışlarını düzenli olarak yeniden eğitin.
Keşfetmeye Devam Edin
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Odds Ratio Preference Optimization quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
Oran Oranı Tercih Optimizasyonu Nedir?
ORPO combines supervised fine-tuning with an odds-ratio preference penalty in one training phase and does not require a separate reference model. Its behavior depends on the preference data, objective settings, and implementation.
ORPO'nun DPO gibi yöntemlere göre temel pratik avantajı nedir?
ORPO, tercih öğrenimini SFT kaybına katlar ve modelin dondurulmuş bir referans kopyasına ihtiyaç duymaz, böylece bellek ve işlem tasarrufu sağlanır.
ORPO'daki 'olasılık oranı' neyi karşılaştırır?
ORPO, modelin tercih edilen cevaba karşı tercih edilmeyen cevaba atadığı olasılık oranını (p/(1-p)) kullanır.
What form does an ORPO preference example contain?
ORPO uses chosen and rejected responses for the same prompt to form its preference comparison.
How does ORPO convert a response probability p into odds?
Odds are computed as p/(1−p); ORPO applies this transformation when forming its preference term.
ORPO kaybı en iyi şekilde hangi kombinasyonla tanımlanır?
ORPO, denetlenen çapraz entropi kaybının üzerine ağırlıklı bir log-sigmoid olasılık oranı terimi ekler.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi