Giải mã tương phản
Giải mã tương phản tạo ra văn bản có chất lượng cao hơn bằng cách loại bỏ xu hướng của mô hình ngôn ngữ nhỏ, yếu khỏi xu hướng của mô hình ngôn ngữ lớn, mạnh.
Tổng quan
Nó khuếch đại những gì chuyên gia biết còn người mới bỏ lỡ, giảm sự lặp lại và kết quả nhạt nhẽo.
Lặn sâu
Khi một mô hình ngôn ngữ chọn từ tiếp theo, nó sẽ tạo ra xác suất về từ vựng của nó. Giải mã tương phản (được Li và cộng sự giới thiệu vào năm 2022) chạy hai mô hình trên cùng một bối cảnh: một 'chuyên gia' lớn và một 'nghiệp dư' nhỏ. Thay vì tin tưởng vào xác suất thô của chuyên gia, nó chấm điểm từng mã thông báo ứng cử viên bằng sự khác biệt giữa xác suất log của chuyên gia và xác suất của người nghiệp dư. Token mà chuyên gia ưa thích nhưng người nghiệp dư không được tăng giá; những từ chung chung mà cả hai người mẫu đều yêu thích (chẳng hạn như 'the' hoặc các cụm từ lặp đi lặp lại) bị loại bỏ vì người nghiệp dư cũng yêu thích chúng. Bộ lọc hợp lý trước tiên sẽ loại bỏ các mã thông báo mà chuyên gia cho là rất khó xảy ra, do đó độ tương phản không bao giờ tạo ra sự vô nghĩa. Kết quả là văn bản dạng dài trôi chảy hơn, mạch lạc hơn và ít lặp lại hơn so với lấy mẫu tham lam hoặc lấy mẫu hạt nhân mà không cần đào tạo thêm.
Hiểu biết kỹ thuật
Điểm cốt lõi là log p_expert(token) trừ hệ số nhân log p_amateur(token). Bởi vì người nghiệp dư chia sẻ các lỗi hệ thống của chuyên gia ( thiên về mã thông báo tần số cao, vòng lặp, lặp lại thoái hóa), việc trừ đi xác suất log của nó sẽ loại bỏ các chế độ lỗi được chia sẻ đó trong khi vẫn bảo toàn được kiến thức chuyên môn thực sự. Một ràng buộc về tính hợp lý thích ứng chỉ giữ các mã thông báo ở trên một phần (alpha) của xác suất chuyên gia hàng đầu, ngăn cản sự tương phản khuếch đại các từ hiếm, không mạch lạc.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của giải mã tương phản
Giải mã tương phản đã truyền cảm hứng cho một nhóm phương pháp 'tương phản khi suy luận', bao gồm DoLa (đối chiếu lớp đầu và lớp muộn của chính mô hình để loại bỏ ảo giác) và các biến thể nhận biết ngữ cảnh tương phản với và không có tài liệu được truy xuất. Mong đợi sự tích hợp chặt chẽ hơn với khả năng truy xuất, tính điểm thực tế và chắt lọc nghiệp dư nhỏ, cộng với sự kết hợp với giải mã suy đoán để người nghiệp dư vừa định hướng chất lượng vừa tăng tốc quá trình tạo.
Triển khai trong thế giới thực
Tạo các phần tiếp theo của câu chuyện hoặc bài viết dài, không lặp lại trong đó việc lấy mẫu hạt nhân trôi vào các vòng lặp
Ghép nối một chuyên gia 65B với một người nghiệp dư 1,5B để cải thiện thế hệ mở mà không cần tinh chỉnh
Giảm sự lặp lại thoái hóa trong kết quả tóm tắt và đối thoại
Làm cơ sở cho sự tự tương phản theo phong cách DoLa nhằm giảm bớt ảo giác thực tế
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Contrastive Decoding quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Giải mã rủi ro Bayes tối thiểu
Câu hỏi thường gặp
Giải mã tương phản là gì?
Giải mã tương phản tạo ra văn bản có chất lượng cao hơn bằng cách loại bỏ xu hướng của mô hình ngôn ngữ nhỏ, yếu khỏi xu hướng của mô hình ngôn ngữ lớn, mạnh. Nó khuếch đại những gì chuyên gia biết còn người nghiệp dư bỏ lỡ, giảm sự lặp lại và kết quả nhạt nhẽo.
Trong giải mã tương phản, mô hình “nghiệp dư” nhỏ đóng vai trò gì?
Xác suất nhật ký của người nghiệp dư được trừ khỏi xác suất của chuyên gia, loại bỏ các lỗi hệ thống (như ưu tiên các mã thông báo thường xuyên) mà cả hai mô hình đều chia sẻ.
Tại sao việc trừ đi xác suất của người nghiệp dư lại làm giảm sự lặp lại và kết quả nhàm chán?
Cả hai mô hình đều có xu hướng ưa thích các token có tần số cao và lặp đi lặp lại; loại bỏ những người nghiệp dư sẽ loại bỏ thành kiến chung đó, hạ thấp những lựa chọn nhạt nhẽo.
Ràng buộc về tính hợp lý thích ứng có tác dụng gì?
Bộ lọc hợp lý loại bỏ các mã thông báo có xác suất thấp theo chuyên gia, do đó độ tương phản không thể thúc đẩy các từ không mạch lạc hoặc vô nghĩa.
Đại khái công thức tính điểm trong giải mã tương phản là gì?
Mỗi ứng viên được tính điểm bằng xác suất nhật ký của chuyên gia trừ đi xác suất nhật ký nghiệp dư có trọng số, thưởng cho các mã thông báo mà chuyên gia ưa thích nhất.
Phương pháp nào sau này mở rộng ý tưởng tương phản sang các lớp riêng của một mô hình?
DoLa đối chiếu các dự đoán sớm (lớp đầu) và trưởng thành (lớp muộn) của mô hình để giảm ảo giác, áp dụng khái niệm tương phản trong một mô hình.