Akopọ
Imudara Iyanju Taara (DPO) jẹ ọna lati ṣe afiwe awọn awoṣe ede pẹlu awọn ayanfẹ eniyan laisi ikẹkọ awoṣe ẹsan lọtọ tabi ṣiṣe ikẹkọ imudara. O ṣubu opo opo gigun ti ipele olona pupọ sinu ẹyọkan, pipadanu ikẹkọ iduroṣinṣin.
Imudara Iyanfẹ Taara jẹ apakan ti akopọ ede-AI ti a lo lati ka, ṣe ipilẹṣẹ, ṣe lẹtọ, ati yi ọrọ ati ọrọ pada ni iwọn.
Jin Dive
DPO, ti a ṣafihan nipasẹ Rafailov ati awọn alabaṣiṣẹpọ ni Stanford ni ọdun 2023, tun ronu bi a ṣe nkọ awoṣe ohun ti eniyan fẹ. Ọna ibile (RLHF) ṣe ikẹkọ awoṣe ere kan lori awọn afiwera eniyan, lẹhinna lo ikẹkọ imuduro lati mu ere yẹn pọ si. Imọye bọtini DPO jẹ mathematiki: eto imulo ti o dara julọ labẹ ibi-afẹde RLHF yẹn ni ibatan fọọmu-pipade si ẹsan naa, nitorinaa o le tunto awọn idogba ati mu awoṣe ede dara taara lori awọn orisii ayanfẹ. O fun ni ni kiakia, idahun 'ayanfẹ' (ti o fẹ) ati idahun 'ti a kọ silẹ', ati adanu ara-isọtọ ti o rọrun kan nudges awoṣe lati jẹ ki idahun ti o yan le ṣe diẹ sii. Ko si awoṣe ere, ko si loop iṣapẹẹrẹ, ko si gige sakasaka ere. O rọrun pupọ ati iduroṣinṣin diẹ sii lati ṣiṣẹ.
Imọ-imọ-ẹrọ
DPO nlo adanu agbelebu-entropy alakomeji lori awọn orisii ayanfẹ. O pọ si ipin iṣeeṣe log-ti idahun ti o yan ni ibatan si ọkan ti a kọ, ọkọọkan wọn ni ilodi si awoṣe itọkasi tutunini (nigbagbogbo aaye ibẹrẹ ti a ṣe abojuto-daradara-aifwy). Beta paramita otutu kan n ṣakoso bii eto imulo le fò kuro ni itọkasi yẹn, ni imunadoko ni imunadoko KL ti RLHF kan ni gbangba. Ere naa kii ṣe ohun elo; o jẹ alaigbọran ninu awọn iṣeeṣe log-awọn eto imulo.
Mastering Taara ààyò Iṣapeye
Imudara Iyanju Taara (DPO) jẹ ọna lati ṣe afiwe awọn awoṣe ede pẹlu awọn ayanfẹ eniyan laisi ikẹkọ awoṣe ẹsan lọtọ tabi ṣiṣe ikẹkọ imudara. O ṣubu opo opo gigun ti ipele olona pupọ sinu ẹyọkan, pipadanu ikẹkọ iduroṣinṣin. Imudara Iyanfẹ Taara jẹ apakan ti akopọ ede-AI ti a lo lati ka, ṣe ipilẹṣẹ, ṣe lẹtọ, ati yi ọrọ ati ọrọ pada ni iwọn. Lati kọ oye ti o jinlẹ, tọju Imudara Iyanju Taara bi awoṣe iṣẹ, kii ṣe ẹya ẹyọkan: ṣalaye awọn abajade ti o fẹ, ṣalaye awọn arosọ, ati yapa ohun ti eto le ṣe ni igbẹkẹle lati ohun ti o tun nilo idajọ amoye.
Ni iṣe, awọn ẹgbẹ ti o lagbara ni lilo awọn itọsi apẹrẹ Imudara Iyanfẹ Taara, imupadabọ, ati atunyẹwo awọn losiwajulosehin bi eto ibaraẹnisọrọ iṣọpọ kan. Wọn ṣe akọsilẹ awọn ibeere aṣeyọri ti o fojuhan, idanwo lodi si data ojulowo ati ṣiṣan iṣẹ, ati atunbere ti o da lori awọn ilana ikuna ti a ṣakiyesi dipo awọn bori ala-akoko kan. Eyi ni ibiti oye imọ-jinlẹ yipada si agbara ti o tọ kọja ọja, eto imulo, ati awọn iṣẹ ṣiṣe.
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera. Ni akoko kanna, awọn otitọ hallucinated le tẹ awọn ijabọ laiparuwo, awọn ṣiṣan atilẹyin, tabi awọn abajade iwadii. Ọna resilient julọ julọ ni lati darapọ iyara idanwo pẹlu ibawi ijọba: ṣiṣe awọn awakọ awakọ, mu ẹri mu, ṣe atẹjade awọn iwe ipinnu, ati imudojuiwọn awọn aabo nigbagbogbo bi ihuwasi awoṣe, awọn ireti olumulo, ati awọn ibeere ilana ti dagbasoke.
Ipa Ilana
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera.
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
O faagun iraye si kọja awọn ede ati awọn aza ibaraẹnisọrọ.
O faagun iraye si kọja awọn ede ati awọn aza ibaraẹnisọrọ. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Awọn ẹgbẹ le lo akoko diẹ sii lori idajọ lakoko ti adaṣe n kapa atunwi.
Awọn ẹgbẹ le lo akoko diẹ sii lori idajọ lakoko ti adaṣe n kapa atunwi. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Real-World imuse
Awọn awoṣe iwiregbe iwuwo-ìmọ ti o dara bi Zephyr ati ọpọlọpọ Llama ati awọn itọsẹ Mistral, eyiti o ni ibamu pẹlu DPO lori awọn ipilẹ data ti o fẹ.
Dinku ipalara tabi awọn abajade ti ko ṣe iranlọwọ ni lilo awọn orisii nibiti ailewu, idahun iranlọwọ jẹ 'yan' lori ọkan iṣoro kan
Kikọ oluranlọwọ ifaminsi lati fẹ pe o tọ, awọn solusan ti a ṣe iwe-aṣẹ daradara lori awọn buggy nipa lilo awọn afiwera-olugbese
Aṣa akopọ ti iṣatunṣe ki awọn awoṣe ṣe ojurere fun ṣoki, awọn akopọ olotitọ lori ọrọ-ọrọ tabi awọn ti o jẹ alaimọkan
Awọn Ilana imuse
Imudara ààyò Taara ni iṣe
Awọn awoṣe iwiregbe iwuwo-ìmọ ti o dara bi Zephyr ati ọpọlọpọ Llama ati awọn itọsẹ Mistral, eyiti o ni ibamu pẹlu DPO lori awọn ipilẹ data ti o fẹ.
Titun-tuntun awọn awoṣe iwiregbe-ìmọ iwuwo bi Zephyr ati ọpọlọpọ Llama ati awọn itọsẹ Mistral, eyiti o ni ibamu pẹlu DPO lori awọn iwe data ti o fẹ Awọn ẹgbẹ nigbagbogbo gba awọn abajade ti o dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna igbega eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe ni akoko pupọ.
Imudara ààyò Taara ni iṣe
Idinku ipalara tabi awọn abajade ti ko ṣe iranlọwọ ni lilo awọn orisii nibiti ailewu, idahun iranlọwọ jẹ 'yan' ju ọkan iṣoro lọ.
Idinku ipalara tabi awọn abajade ti ko ṣe iranlọwọ ni lilo awọn orisii nibiti ailewu, idahun iranlọwọ jẹ 'yan' lori iṣoro ọkan Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna igbega eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe ni akoko pupọ.
Imudara ààyò Taara ni iṣe
Kikọ oluranlọwọ ifaminsi lati fẹ pe o tọ, awọn ojutu ti a ṣe iwewewe daradara lori awọn buggy ni lilo awọn afiwera-olugbese.
Kikọ oluranlọwọ ifaminsi lati fẹran ti o pe, awọn ipinnu iwe-igbasilẹ daradara lori awọn buggy nipa lilo awọn afiwera-ti o ṣe agbekalẹ awọn ẹgbẹ nigbagbogbo gba awọn abajade ti o dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna igbega eniyan fun awọn ọran eti, ati tọpa awọn anfani iṣelọpọ mejeeji ati awọn idiyele aṣiṣe lori akoko.
Imudara ààyò Taara ni iṣe
Tuning akopọ ara ki awọn awoṣe ṣe ojurere fun ṣoki, awọn akopọ olotitọ lori ọrọ-ọrọ tabi awọn ti o jẹ alaimọkan.
Tuning Lakotan ara ki awọn awoṣe ṣe ojurere fun ṣoki, awọn akopọ olotitọ lori ọrọ-ọrọ tabi awọn iṣojuuwọn Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa awọn anfani iṣelọpọ mejeeji ati awọn idiyele aṣiṣe ni akoko pupọ.
Awọn ewu & Awọn ọna iṣọ
Awọn otitọ ti a sọ di mimọ le tẹ awọn ijabọ sii ni idakẹjẹ, awọn ṣiṣan atilẹyin, tabi awọn abajade iwadii.
Ifamọ kiakia le ṣẹda awọn abajade aisedede kọja awọn ibeere ti o jọra.
Awọn data ọrọ ifarabalẹ le farahan ti awọn idari wiwọle ko lagbara.
Ilana Ilana imuse
Ṣetumo ọna kika iṣẹjade, ohun orin, ati awọn iṣedede didara ṣaaju ṣiṣejade.
Ṣetumo ọna kika iṣẹjade, ohun orin, ati awọn iṣedede didara ṣaaju ṣiṣejade. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Awọn idahun ilẹ pẹlu awọn orisun ti o gbẹkẹle nigbakugba ti deede ba ṣe pataki.
Awọn idahun ilẹ pẹlu awọn orisun ti o gbẹkẹle nigbakugba ti deede ba ṣe pataki. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Jeki aaye ayẹwo atunyẹwo eniyan fun awọn abajade ti o ga julọ.
Jeki aaye ayẹwo atunyẹwo eniyan fun awọn abajade ti o ga julọ. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Tọpinpin awọn ilana ikuna ati tunṣe awọn itọsi tabi ṣiṣan iṣẹ nigbagbogbo.
Tọpinpin awọn ilana ikuna ati tunṣe awọn itọsi tabi ṣiṣan iṣẹ nigbagbogbo. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.