概述
拒绝采样微调 (RFT) 会生成许多候选答案，仅保留得分最高的答案，并根据这些获胜者重新训练模型。这很重要，因为它使用简单的监督学习而不是复杂的强化学习来提供 RLHF 的大部分好处。
拒绝采样微调是语言 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
拒绝采样微调（有时称为 N 最佳微调）是 Meta 的 Llama 2 和 Llama 3 等模型如何对齐的关键要素。方法很简单：对于每个提示，从当前模型中采样多个响应（例如 4 到 64），使用奖励模型或自动检查器对每个响应进行评分，然后丢弃（“拒绝”）除排名最高的输出之外的所有输出。幸存的高质量样本成为新的监督微调数据集，并使用普通的下一个令牌损失对模型进行训练。迭代地重复此循环会推动模型自行生成更好的答案。由于模型从自己过滤的输出中学习，RFT 避免了策略梯度 RL 的不稳定和调整难题，同时仍然利用奖励信号。
技术洞察
RFT 利用了这样一个事实：多次采样并保持最大奖励响应近似于从锐化的、更高质量的分布中进行挑选。通过标准交叉熵对这些获胜者进行训练，可以有效地将 N 中最佳行为提炼回模型的单样本输出中。对于数学或代码等可验证领域，“奖励”可以简单地是最终答案或单元测试是否通过，从而完全不需要学习奖励模型。
掌握拒绝采样微调
拒绝采样微调 (RFT) 会生成许多候选答案，仅保留得分最高的答案，并根据这些获胜者重新训练模型。这很重要，因为它使用简单的监督学习而不是复杂的强化学习来提供 RLHF 的大部分好处。拒绝采样微调是语言 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，请将拒绝采样微调视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用拒绝采样微调的强大团队将提示、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
通过对每个提示采样多个答案来调整 Llama 风格的模型，保持最高的奖励模型分数，然后对这些答案进行 SFT
通过生成许多解决方案并仅保留那些达到正确、可检查答案的解决方案来改进数学求解器
代码生成，仅当候选人通过单元测试时才保留候选人，然后用作训练数据
通过过滤模型自身的最佳自生成响应来构建合成指令数据集以用于下一轮训练
实施模式
拒绝采样微调实践
通过对每个提示采样多个答案来调整 Llama 风格的模型，保持最高的奖励模型分数，然后对这些分数进行 SFT。
通过对每个提示的多个答案进行采样来调整 Llama 风格的模型，保持最高的奖励模型分数，然后在这些团队中进行 SFT，当他们预先定义质量阈值、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。
拒绝采样微调实践
通过生成许多解决方案并仅保留那些达到正确、可检查答案的解决方案来改进数学求解器。
通过生成许多解决方案并仅保留那些达到正确、可检查答案的解决方案来改进数学求解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。
拒绝采样微调实践
代码生成，只有通过单元测试的候选人才会被保留，然后用作训练数据。
代码生成，只有通过单元测试的候选者才会被保留，然后用作训练数据。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。
拒绝采样微调实践
通过过滤模型自身的最佳自生成响应来构建合成指令数据集，以供下一轮训练使用。
通过过滤模型自己为下一轮训练生成的最佳响应来构建合成指令数据集 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。