ДаліНаступний посібник
QLoRA і 4-бітне тонке налаштування
ШІ мови
Мова AI GUIDE
Тонка настройка вибірки відхилення
Rejection-sampling fine-tuning generates candidate responses, filters them with a reward model or verifier, and uses selected examples for supervised training.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
It can be simpler than policy-gradient optimization, but quality depends on the candidate pool and scorer.
Глибоке занурення
A rejection-sampling fine-tuning loop prompts a policy to generate multiple candidates, scores them with a reward model or task-specific verifier, and retains examples meeting a selection rule. The model is then fine-tuned with supervised learning on selected responses. In verifiable tasks, tests or exact-answer checks can provide a reward; open-ended tasks often rely on learned preference scores. Llama 2-Chat’s paper describes rejection sampling as one stage of its alignment pipeline. RFT can transfer best-of-N behavior into a model, but cannot select answers absent from the candidate pool and may overfit or exploit an imperfect scorer. It is not equivalent to every RLHF recipe and does not guarantee higher quality or diversity.
Реалізація в реальному світі
Вирівнювання моделей у стилі Llama шляхом вибірки кількох відповідей на підказку, збереження найвищих оцінок моделі винагороди, а потім SFT для них
Удосконалення математичного розв’язника шляхом генерування багатьох розв’язків і збереження лише тих, які дають правильну відповідь, яку можна перевірити
Генерація коду, де кандидати зберігаються, лише якщо вони пройшли модульні тести, а потім використовуються як навчальні дані
Створення синтетичних наборів даних інструкцій шляхом фільтрації власних найкращих самогенерованих відповідей моделі для наступного раунду навчання
Майбутнє тонкої настройки вибірки відхилень
RFT займає центральне місце в сучасному посттренінгу, часто використовується перед або поряд із такими методами RL, як PPO та DPO. Його привабливість зростає завдяки дешевому висновку та потужним автоматичним верифікаторам: у міру того, як моделі стають кращими в самогенеруванні та самоперевірці, ітерована вибірка відхилення підтримує синтетичні дані та цикли самовдосконалення. Очікуйте тіснішої інтеграції з моделями міркування, які створюють верифіковані ланцюжки думок, і постійного вивчення того, як уникнути злому винагороди та краху різноманітності під час постійного навчання на власних результатах моделі.
Застосування на практиці
Чому це важливо
- Швидкість і масштаб. Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
- Доступ і охоплення. Це розширює доступ до різних мов і стилів спілкування.
- Чіткіші рішення. Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Зверніть увагу на
- Галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень.
- Делікатність підказок може створити суперечливі результати для подібних запитів.
- Конфіденційні текстові дані можуть бути розкриті, якщо контроль доступу слабкий.
Наступні кроки
- Визначте вихідний формат, тон і стандарти якості перед розгортанням.
- Якщо точність має значення, зв’яжіться з надійними джерелами.
- Тримайте контрольну точку перевірки людьми для отримання високих ставок.
- Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Rejection Sampling Fine-Tuning quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
Що таке тонке налаштування вибірки відхилень?
Rejection-sampling fine-tuning generates candidate responses, filters them with a reward model or verifier, and uses selected examples for supervised training. It can be simpler than policy-gradient optimization, but quality depends on the candidate pool and scorer.
Який цикл найкраще описує, як тонке налаштування вибірки відхилення покращує модель?
RFT відбирає кілька відповідей, відфільтровує ті, які набрали найбільше балів, і точно налаштовує модель для цих переможців.
У сферах, які можна перевірити, як-от математика чи код, що може стати винагородою?
Для завдань, які можна перевірити, RFT може використовувати точну правильність або проходження модульних тестів, уникаючи вивченої моделі винагороди.
Which model family does the cited paper describe using rejection sampling in its alignment pipeline?
The Llama 2 paper describes rejection sampling as one stage of the Llama 2-Chat alignment pipeline.
Why might a team choose rejection-sampling fine-tuning over a policy-gradient approach for some tasks?
RFT uses generated and filtered examples for supervised updates, though generation, scoring, and data quality still incur costs.
Що ефективно робить навчання за зразками максимальної винагороди?
Навчаючись на найвідфільтрованих відповідях, модель засвоює поведінку вищої якості за одне покоління.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми