زبان AI گائیڈ
ریجیکشن سیمپلنگ فائن ٹیوننگ
Rejection-sampling fine-tuning generates candidate responses, filters them with a reward model or verifier, and uses selected examples for supervised training.
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
جائزہ
It can be simpler than policy-gradient optimization, but quality depends on the candidate pool and scorer.
گہرا غوطہ
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.
حقیقی دنیا کا نفاذ
فی پرامپٹ متعدد جوابات کے نمونے لے کر لاما طرز کے ماڈلز کو سیدھ میں لانا، سب سے زیادہ انعامی ماڈل کے اسکور کو برقرار رکھنا، پھر ان پر SFT
بہت سے حل تیار کرکے اور صرف صحیح، قابل جانچ جواب تک پہنچنے والے کو برقرار رکھ کر ریاضی کے حل کرنے والے کو بہتر بنانا
کوڈ جنریشن جہاں امیدواروں کو صرف اس صورت میں رکھا جاتا ہے جب وہ یونٹ ٹیسٹ پاس کرتے ہیں، پھر اسے تربیتی ڈیٹا کے طور پر استعمال کیا جاتا ہے۔
اگلے ٹریننگ راؤنڈ کے لیے ماڈل کے اپنے بہترین خود پیدا کردہ جوابات کو فلٹر کر کے مصنوعی انسٹرکشن ڈیٹا سیٹس بنانا
ریجیکشن سیمپلنگ فائن ٹیوننگ کا مستقبل
RFT جدید پوسٹ ٹریننگ میں مرکزی حیثیت رکھتا ہے، جو اکثر PPO اور DPO جیسے RL طریقوں سے پہلے یا اس کے ساتھ استعمال ہوتا ہے۔ اس کی اپیل سستے تخمینے اور مضبوط خودکار تصدیق کنندگان کے ساتھ بڑھتی ہے: جیسا کہ ماڈل خود پیدا کرنے اور خود جانچنے میں بہتر ہوتے ہیں، اعادہ شدہ رد کرنے کے نمونے مصنوعی ڈیٹا اور خود کو بہتر بنانے والے لوپس کو سپورٹ کرتے ہیں۔ استدلال کے ماڈلز کے ساتھ سخت انضمام کی توقع کریں جو سوچ کی قابل تصدیق زنجیریں پیدا کرتے ہیں، اور ماڈل کے اپنے آؤٹ پٹس پر بار بار تربیت کرتے وقت انعام کی ہیکنگ اور تنوع کے خاتمے سے کیسے بچنا ہے اس کا جاری مطالعہ۔
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- رفتار اور پیمانہ. زبان کے کام کے بہاؤ مستقل مزاجی کی قربانی کے بغیر تیزی سے آگے بڑھ سکتے ہیں۔
- رسائی اور رسائی. یہ زبانوں اور مواصلاتی طرزوں تک رسائی کو بڑھاتا ہے۔
- واضح فیصلے. ٹیمیں فیصلے پر زیادہ وقت گزار سکتی ہیں جبکہ آٹومیشن تکرار کو سنبھالتی ہے۔
پر نگاہ رکھیں
- گمراہ شدہ حقائق خاموشی سے رپورٹس، سپورٹ فلو، یا تحقیقی نتائج درج کر سکتے ہیں۔
- فوری حساسیت اسی طرح کی درخواستوں میں متضاد نتائج پیدا کر سکتی ہے۔
- اگر رسائی کے کنٹرول کمزور ہیں تو حساس ٹیکسٹ ڈیٹا کو بے نقاب کیا جا سکتا ہے۔
اگلے اقدامات
- رول آؤٹ سے پہلے آؤٹ پٹ فارمیٹ، ٹون اور معیار کے معیارات کی وضاحت کریں۔
- جب بھی درستگی اہمیت رکھتی ہے تو بھروسہ مند ذرائع کے ساتھ زمینی جوابات۔
- ہائی اسٹیک آؤٹ پٹس کے لیے ایک انسانی جائزہ چیک پوائنٹ رکھیں۔
- ناکامی کے نمونوں کو ٹریک کریں اور پرامپٹس یا ورک فلو کو باقاعدگی سے دوبارہ تربیت دیں۔
دریافت کرتے رہیں
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Rejection Sampling Fine-Tuning quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
اکثر پوچھے گئے سوالات
What is Rejection Sampling Fine-Tuning?
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.
Which loop best describes how Rejection Sampling Fine-Tuning improves a model?
RFT متعدد جوابات کے نمونے، سب سے زیادہ اسکور کرنے والے کو فلٹر کرتا ہے، اور ان جیتنے والوں پر ماڈل کو ٹھیک کرتا ہے۔
ریاضی یا کوڈ جیسے قابل تصدیق ڈومینز میں، انعام کے طور پر کیا کام کر سکتا ہے؟
جانچ کے قابل کاموں کے لیے، RFT ایک سیکھے ہوئے انعامی ماڈل سے گریز کرتے ہوئے، قطعی درستگی یا یونٹ ٹیسٹ پاس کر سکتا ہے۔
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.
زیادہ سے زیادہ انعام کے نمونوں پر تربیت مؤثر طریقے سے کیا کرتی ہے؟
سب سے اوپر فلٹر شدہ جوابات سے سیکھ کر، ماڈل ایک نسل میں اعلیٰ معیار کے رویے کو اندرونی بناتا ہے۔
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔