Tổng quan
Tối ưu hóa ưu tiên tỷ lệ chênh lệch (ORPO) là một phương pháp tinh chỉnh giúp dạy mô hình ngôn ngữ hành vi tốt và sở thích của con người trong một lần đào tạo duy nhất. Điều này quan trọng vì nó bỏ qua mô hình phần thưởng và mô hình tham chiếu riêng biệt thông thường, khiến việc liên kết trở nên rẻ hơn và đơn giản hơn.
Tối ưu hóa tùy chọn tỷ lệ chênh lệch là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn.
Lặn sâu
ORPO, được Hong, Lee và Thorne giới thiệu vào năm 2024, kết hợp việc tinh chỉnh có giám sát và căn chỉnh tùy chọn thành một bước. Hầu hết các quy trình căn chỉnh trước tiên thực hiện SFT trên các mẫu tốt, sau đó chạy phương pháp thứ hai như RLHF hoặc DPO yêu cầu bản sao cố định của mô hình (tài liệu tham khảo) cùng với các cặp tùy chọn được lưu trữ. ORPO loại bỏ hoàn toàn mô hình tham chiếu. Sự mất mát của nó bổ sung một điều khoản phạt vào mục tiêu mã thông báo tiếp theo tiêu chuẩn: nó làm tăng tỷ lệ cược mà mô hình chỉ định cho phản hồi đã chọn (ưu tiên) trong khi giảm tỷ lệ cược của phản hồi bị từ chối. Bởi vì nó sử dụng tỷ lệ chênh lệch thay vì khoảng cách log-xác suất mạnh nên hình phạt rất nhẹ, do đó mô hình học cách ưu tiên những câu trả lời hay mà không quên mất khả năng tạo thông thạo một cách thảm khốc.
Hiểu biết kỹ thuật
Tổn thất của ORPO là tổn thất entropy chéo SFT cộng với log-sigmoid có trọng số của tỷ lệ chênh lệch log giữa các phản hồi được chọn và bị từ chối. Tỷ lệ bằng p/(1-p), do đó, tỷ lệ này so sánh khả năng mô hình tìm thấy câu trả lời tốt so với câu trả lời xấu. Việc sử dụng tỷ lệ cược thay vì xác suất thô sẽ giữ độ tương phản ở mức vừa phải, điều này ngăn cản việc ngăn chặn quá mức các mã thông báo bị từ chối có thể làm suy giảm mô hình không được tham chiếu.
Làm chủ tối ưu hóa ưu tiên tỷ lệ cược
Tối ưu hóa ưu tiên tỷ lệ chênh lệch (ORPO) là một phương pháp tinh chỉnh giúp dạy mô hình ngôn ngữ hành vi tốt và sở thích của con người trong một lần đào tạo duy nhất. Điều này quan trọng vì nó bỏ qua mô hình phần thưởng và mô hình tham chiếu riêng biệt thông thường, khiến việc liên kết trở nên rẻ hơn và đơn giản hơn. Tối ưu hóa tùy chọn tỷ lệ chênh lệch là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Tối ưu hóa ưu tiên tỷ lệ chênh lệch như một mô hình hoạt động chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể làm một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng các lời nhắc thiết kế, truy xuất và vòng lặp xem xét Tối ưu hóa ưu tiên tỷ lệ chênh lệch như một hệ thống liên lạc tích hợp. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Đồng thời, các sự kiện ảo giác có thể âm thầm đưa vào các báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Tinh chỉnh mô hình trò chuyện 7B nguồn mở trên các cặp tùy chọn mà không cần tải bản sao tham chiếu thứ hai, giảm một nửa bộ nhớ GPU
Một công ty khởi nghiệp sắp xếp trợ lý hỗ trợ khách hàng để ưu tiên các câu trả lời lịch sự, đúng chính sách trong một lần đào tạo thay vì SFT-then-DPO
Các nhà nghiên cứu so sánh ORPO với DPO trên cùng một tập dữ liệu để cho thấy sự liên kết tương đương với khả năng tính toán thấp hơn
Điều chỉnh mô hình cơ sở cho phù hợp với một lĩnh vực chuyên biệt (ví dụ: soạn thảo pháp luật) trong đó có sẵn các cặp ví dụ tốt và xấu nhưng ngân sách cho mô hình khen thưởng thì không
Các mẫu triển khai
Tối ưu hóa ưu tiên tỷ lệ cược trong thực tế
Tinh chỉnh mô hình trò chuyện 7B nguồn mở trên các cặp tùy chọn mà không cần tải bản sao tham chiếu thứ hai, giảm một nửa bộ nhớ GPU.
Tinh chỉnh mô hình trò chuyện 7B nguồn mở trên các cặp tùy chọn mà không cần tải bản sao tham chiếu thứ hai, giảm một nửa bộ nhớ GPU Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa ưu tiên tỷ lệ cược trong thực tế
Một công ty khởi nghiệp sắp xếp trợ lý hỗ trợ khách hàng để ưu tiên các câu trả lời lịch sự, đúng chính sách trong một lần đào tạo thay vì SFT-then-DPO.
Một công ty khởi nghiệp điều chỉnh trợ lý hỗ trợ khách hàng để ưu tiên các câu trả lời lịch sự, đúng chính sách trong một lần đào tạo thay vì SFT-sau-DPO. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa ưu tiên tỷ lệ cược trong thực tế
Các nhà nghiên cứu so sánh ORPO với DPO trên cùng một tập dữ liệu để cho thấy sự liên kết tương đương với tính toán thấp hơn.
Các nhà nghiên cứu so sánh ORPO với DPO trên cùng một tập dữ liệu để cho thấy sự liên kết tương đương với khả năng tính toán thấp hơn. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa ưu tiên tỷ lệ cược trong thực tế
Điều chỉnh mô hình cơ sở cho phù hợp với một lĩnh vực chuyên biệt (ví dụ: soạn thảo pháp luật) trong đó có sẵn các cặp ví dụ tốt và xấu nhưng ngân sách cho mô hình khen thưởng thì không.
Điều chỉnh mô hình cơ sở cho phù hợp với một lĩnh vực chuyên biệt (ví dụ: soạn thảo pháp luật) nơi có sẵn các cặp ví dụ tốt và xấu nhưng ngân sách dành cho mô hình khen thưởng thì không. Các Nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí sai sót theo thời gian.
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.
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.