Résumé
Politigu Optimisation bu Jege (PPO) mooy algorithm biy gëna dooleel jàngat bi gëna méngoo ak modeli làkk yu gëna jubal ci feedback nit. Dafay gëna suqali politik ci jéego yu ndaw, yu moytu ngir moytu ñàkka dal giy sonal pexe gradient politik yu naïf yi.
Proximal Policy Optimization bokk na ci lakk-IA stack bi ñuy jëfandikoo ngir jàng, defar, xaaj, ak soppi mbind ak wax ci eskaal.
Plongeur bu xóot
PPO __AIU_AAR_10__ moo ko dugal ci 2017 ba noppi nekk fasu liggéey bi ci ginaaw RLHF ngir sistem yu melni InstructGPT ak __AIU_AAR_7__. Jafe-jafe bi gëna mag ci RL gradient politik mooy benn yeesal bu rëy mën na yàq performance. PPO dafay wax ci lii ak 'objectif surrogate buñ dagg': dafay natt ni jëf bi gëna (wala néew) mën nekk ak politik bu yàgg bi, di yokk ratio bi ak njariñ (ba ñaata la jëf ji gënoon baax li ñu seentuwoon), ba noppi dagg ratio bi ci benn rang bu ndaw bu melni 0.8 ba 1.2. Loolu dafay tënk ba fu politik bi mëna yegg ci yeesal bu nekk, di tëye njàng mi boole ci may yokkute bu dëgër. Ci xeetu làkk RLHF, 'jëf' dafay defar ab token wala tontu, neexal bi mingi joge ci xeetu neexal, ak KL-divergence penalty dafay tere xeetu bi dem fu sori lool ci doxalinam bu njëkk.
Gis-gis xarala
PPO dafay gëna yokk mébet buñ dagg: min (ratio * njariñ, dagg (ratio, 1-eps, 1 + eps) * njariñ), fu ratio mooy probabilite jëf ju bees-ci-màgget. Njariñ yi dañu leen di faral di xayma ci xayma njariñ yu mat sëkk ak reso valeur jàngat (critique). Ci RLHF, neexal bi dafay boole poñ yi modelu neexal bi am ak penalti KL bu token bu nekk ci politiku royuwaay bi, di ekilibre benefiis yi ci nekk ci wetu modelu njëkk bi.
Xam gëna xéewale politik proximal
Politigu Optimisation bu Jege (PPO) mooy algorithm biy gëna dooleel jàngat bi gëna méngoo ak modeli làkk yu gëna jubal ci feedback nit. Dafay gëna suqali politik ci jéego yu ndaw, yu moytu ngir moytu ñàkka dal giy sonal pexe gradient politik yu naïf yi. Proximal Policy Optimization bokk na ci lakk-IA stack bi ñuy jëfandikoo ngir jàng, defar, xaaj, ak soppi mbind ak wax ci eskaal. Ngir tabax xam-xam bu xóot, jàppal Proximal Policy Optimization ni xeetu liggéey, du benn man-man: leeral njariñ yi nga bëgg, leeral xalaat yi, ak tàqale li sistem bi mëna def ci anam wu wóor ak li ba leegi soxla àtteb kàngam.
Ci jëf, ekip yu dëgër yiy jëfandikoo Proximal Policy Optimization dañuy laaj, seet, ak xoolaat loop ni benn sistem jokkoo buñ boole. Dañuy bind kritër yu leer ngir am ndam, natt leen ci done yu dëggu ak def liggéey, ba noppi ñu baamtu ci anamu ñàkka mëna seetlu, du ci benn yoon benchmark wins. Mooy barab bi xam-xam theorie bi di soppiku nekk kàttan buy yàgg ci produit yi, ci politik yi ak ci liggéey yi.
Liggéeyukaay yi ci làkk yi mën nañu gëna gaaw te duñu yàq deggoo gi. Ci jamano jooju, mbiri Hallucinated mën nañu dugg ci rapoor yi, jàppale flow yi, wala gëstu yi génne. Xeetu jëf bi gëna dëgër mooy boole gaawaayu jàngat ak disipline nguur: doxal pilote, jàpp firnde, siiwal dogal yi, ak wéy di yeesal kaaraange gi ci anam wi ñuy doxalee, li jëfandikukat bi di xaar, ak sàrti sàrt yi di jëm kanam.
njeextalu pexe
Liggéeyukaay yi ci làkk yi mën nañu gëna gaaw te duñu yàq deggoo gi.
Liggéeyukaay yi ci làkk yi mën nañu gëna gaaw te duñu yàq deggoo gi. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Dafay yaatal jëfandikoo gi ci làkk yi ak ci anam yi ñuy jokkoo.
Dafay yaatal jëfandikoo gi ci làkk yi ak ci anam yi ñuy jokkoo. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Ekip yi mën nañu gëna yàgg ci àtte ci jamono ji otomatisation di liggéey ci baamtu.
Ekip yi mën nañu gëna yàgg ci àtte ci jamono ji otomatisation di liggéey ci baamtu. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Doxal ci àdduna dëgg
Reglage InstructGPT ak ChatGPT ngir topp tegtal yi ak tànneefi nit ñi jaaraleko ci RLHF
Taggat ndawu jeu-jeu ak robotik, domen bu njëkk bu PPO balaa xeetu làkk yi
Wàññi toxisite wala gëna mëna jàppale ci yokk poñ yi ci modelu neexal ci suufu KL constraint
Optimiser jëfandikoo jumtukaay wala doxalinu ndawu liggéey bu bari jéego fu ñuy neexal ab model ndax def ay liggéey ci anam wu jaar yoon
Modèlu jëfandikoo
Politigu Proximal ci jëf
Reglage InstructGPT ak ChatGPT ngir topp tegtal yi ak tànneefi nit ñi jaaraleko ci RLHF.
Fine-tuning InstructGPT ak ChatGPT ngir topp tegtal yi ak tànneefi nit ñi jaaraleko ci RLHF Ekip yi dañuy faral di am njariñ yu gëna baax suñu joxee pursàntaasu kalite ci kanam, tëye yoon wi nit ñi di yokk ngir jafe-jafe yi, ba noppi topp njariñu liggéey bi ak njëgu njuumte yi ci diir bi.
Politigu Proximal ci jëf
Taggat ndaw yi yor jeu video ak robotik, domen bu njëkk bu PPO balaa xeetu làkk yi.
Taggat jeu-playing ak robotics agents control, domen original PPO balaa model language Teams yi dañuy faral di am njariñ yu gëna baax suñu joxee threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ak topp njariñu produit ak njëgu njuumte ci diir bi.
Politigu Proximal ci jëf
Wàññi toxisite wala gëna mëna jàppale ci yokk poñ yi ci modelu neexal ci suufu KL constraint.
Wàññi toxisite wala gëna mëna jàppale ci yokk poñ yi ci modelu neexal ci suufu KL constraint Teams yi dañuy faral di am njariñ yu gëna baax suñu joxee thresholds yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njuréefi produit ak njëgu njuumte ci diir bi.
Politigu Proximal ci jëf
Optimiser jëfandikoo jumtukaay wala doxalinu ndawu liggéey bu bari jéego fu ñuy neexal ab model ndax def ay liggéey ci anam wu jaar yoon.
Optimiser jumtukaay-jëfandikoo wala doxalinu ndawu jéego yu bari fu ñuy neexal ab model ngir matt ay liggéey ci anam wu jaar yoon. Ekip yi dañuy faral di am njariñ yu gëna baax suñu joxee ay threshold yu baax ci kanam, tëye yoon wi nit ñi di yokk ngir jafe-jafe yi, ba noppi topp njariñu produit yi ak njëgu njuumte yi ci diir bi.
Risk yi ak balustrade yi
Lépp lu jaarul yoon mën na dugg ci rapoor yi, jàppale ci liggéey bi, wala ci njariñu gëstu bi.
Sensibilite bu gaaw mën na jur njariñ yu wuute ci laajte yu noonu mel.
Done yu am solo mën nañu feeñ sudee seytu jëfandikoo gi néew doole.
Roadmap ngir samp gi
Mandargal formaa génne gi, melokaan bi, ak standard kalite yi laata ngay dugal ko.
Mandargal formaa génne gi, melokaan bi, ak standard kalite yi laata ngay dugal ko. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Tontu yu am solo ak balluwaay yu wóor saa yu dëggu bi di am solo.
Tontu yu am solo ak balluwaay yu wóor saa yu dëggu bi di am solo. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Fexeel am barabu xool nit ñi ngir am njariñ yu am solo.
Fexeel am barabu xool nit ñi ngir am njariñ yu am solo. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Toppal anami gacce yi ak di faral di tàggataat ay laaj wala def-liggéey.
Toppal anami gacce yi ak di faral di tàggataat ay laaj wala def-liggéey. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.