概述
Kahneman-Tversky Optimization (KTO) 是一种对齐方法，它从简单的赞成或反对标签而不是配对比较中学习。这很重要，因为二进制反馈比大多数方法所需的排名对更容易收集，也更便宜。
Kahneman-Tversky Optimization 是用于大规模读取、生成、分类和转换文本和语音的语言 AI 堆栈的一部分。
深入探讨
KTO 是由 Ethayarajh 及其同事在斯坦福大学和 Contextual AI 于 2024 年推出的，它借鉴了前景理论，这是 Daniel Kahneman 和 Amos Tversky 的诺贝尔奖获奖作品，关于人类如何评估得失。像 DPO 这样的标准方法需要偏好对：针对同一提示选择的答案和拒绝的答案。相反，KTO 使用不成对的数据，其中每个单独的输出都被简单地标记为所需或不需要。它构建了一种人类感知的损失，将模型对样本的改进视为相对于参考点的增益或损失，应用损失厌恶，因此对不期望的输出的惩罚比期望的输出的奖励更严厉。这使得团队可以使用生产应用程序中已收集的大量赞成/反对信号。
技术洞察
KTO 定义了一个基于前景理论建模的价值函数，衡量响应的隐含奖励高于或低于参考基线（通常是与参考政策的平均 KL 散度）的程度。理想的例子推高价值，不理想的例子推低价值，损失厌恶系数使负偏差更重。至关重要的是，每个示例只需要一个标签，而不是匹配对。
掌握卡尼曼-特沃斯基优化
Kahneman-Tversky Optimization (KTO) 是一种对齐方法，它从简单的赞成或反对标签而不是配对比较中学习。这很重要，因为二进制反馈比大多数方法所需的排名对更容易收集，也更便宜。 Kahneman-Tversky Optimization 是用于大规模读取、生成、分类和转换文本和语音的语言 AI 堆栈的一部分。为了建立深入的理解，请将卡尼曼-特沃斯基优化视为一种操作模型，而不是单一功能：定义期望的结果，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 Kahneman-Tversky Optimization 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
使用已部署的聊天机器人的“拇指向上/拇指向下”点击来对其进行微调，而无需构建偏好对
当您有一堆“好”和“坏”答案但没有针对相同提示的匹配比较时对齐模型
产品团队将审核标记（不需要）和保存的响应（需要）回收到 KTO 培训中
通过调整 KTO 的损失厌恶和类别权重，处理不喜欢的反馈比喜欢少的不平衡反馈
实施模式
Kahneman-Tversky 优化实践
使用已部署的聊天机器人的“拇指向上/拇指向下”点击来对其进行微调，而无需构建偏好对。
使用已部署的聊天机器人中的“同意/反对”点击来对其进行微调，而无需构建偏好对。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。
Kahneman-Tversky 优化实践
当您有一堆“好”和“坏”答案但没有针对相同提示的匹配比较时，请调整模型。
当您有一堆“好”和“坏”答案但没有对相同提示进行匹配比较时，调整模型团队通常会在预先定义质量阈值、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获得更好的结果。
Kahneman-Tversky 优化实践
产品团队将审核标记（不需要）和保存的响应（需要）回收到 KTO 培训中。
产品团队将审核标记（不需要）和保存的响应（需要）回收到 KTO 培训中。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。
Kahneman-Tversky 优化实践
通过调整 KTO 的损失厌恶和类别权重，处理不喜欢的反馈比喜欢少的不平衡反馈。
通过调整 KTO 的损失厌恶和类别权重，处理不喜欢的反馈比喜欢的情况少的不平衡反馈。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，通常会得到更好的结果。
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。