概述
Best-of-N 采样从模型中生成多个候选答案，然后使用单独的评分步骤选择最佳答案。这是在推理时用额外计算换取更高答案质量的最简单、最可靠的方法之一。
Best-of-N 采样和重排序是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
每次运行时，带有采样的语言模型都会产生不同的输出。 Best-of-N 利用了这一点：您绘制 N 个候选响应，然后对它们重新排序并返回顶部的响应。重新排名器可以是学习奖励模型（常见于根据人类反馈进行强化学习）、检查正确性的验证器或简单的启发式方法，例如通过多数投票达成答案协议。由于模型只需要多次尝试中的一次，因此质量通常会随着 N 的增长而急剧上升，特别是在存在正确路径但并不总是第一个样本的推理和代码任务上。成本与 N 成线性关系，如果评分者不完美，收益最终会趋于稳定甚至逆转，这种失败模式称为奖励黑客或奖励过度优化。
技术洞察
N 局最佳的质量完全取决于得分手。有了完美的验证器，准确率就接近 N 个样本中至少有一个是正确的，并且随着 N 的增加而迅速上升。使用嘈杂的奖励模型，选择可能会被愚弄：将 N 推得很高会放大得分高但实际上是错误的输出，因为你正在针对评分者的盲点进行优化。这就是为什么经过校准、稳健的奖励模型对于保持回报的技术至关重要。
掌握 Best-of-N 采样和重新排序
Best-of-N 采样从模型中生成多个候选答案，然后使用单独的评分步骤选择最佳答案。这是在推理时用额外计算换取更高答案质量的最简单、最可靠的方法之一。 Best-of-N 采样和重排序是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将“Best-of-N”采样和重新排名视为一种操作模型，而不是单个功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用 Best-of-N 采样和重新排序将提示、检索和审查循环设计为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
对数学问题的 64 个解决方案进行抽样，并选择大多数样本都同意的答案（自我一致性/多数投票）。
生成多个代码完成并保留通过最多单元测试的代码作为自动验证器。
在 RLHF 管道中绘制多个响应，并选择奖励模型得分最高的响应来为用户提供服务。
生成几份摘要草稿，并使用质量模型对它们进行重新排序，以返回最忠实、简洁的摘要。
实施模式
Best-of-N 采样和重排序实践
对数学问题的 64 个解决方案进行抽样，并选择大多数样本都同意的答案（自我一致性/多数投票）。
对数学问题的 64 个解决方案进行抽样，并选择大多数样本都同意的答案（自我一致性/多数投票） 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Best-of-N 采样和重排序实践
生成多个代码完成并保留通过最多单元测试的代码作为自动验证器。
生成多个代码完成并保留通过最多单元测试的代码作为自动验证器当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Best-of-N 采样和重排序实践
在 RLHF 管道中绘制多个响应，并选择奖励模型得分最高的响应来为用户提供服务。
在 RLHF 管道中绘制多个响应，并选择奖励模型得分最高的响应来为用户提供服务 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Best-of-N 采样和重排序实践
生成几份摘要草稿，并使用质量模型对它们进行重新排序，以返回最忠实、简洁的摘要。
生成几份摘要草稿，并使用质量模型对它们进行重新排序，以返回最忠实、最简洁的摘要 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。