概述
Best-of-N 取樣從模型中產生多個候選答案，然後使用單獨的評分步驟選擇最佳答案。這是在推理時用額外計算換取更高答案品質的最簡單、最可靠的方法之一。
Best-of-N 取樣和重新排序是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。
深入探討
每次運行時，帶有採樣的語言模型都會產生不同的輸出。 Best-of-N 利用了這一點：您繪製 N 個候選響應，然後對它們重新排序並返回頂部的響應。重新排名器可以是學習獎勵模型（常見於根據人類回饋進行強化學習）、檢查正確性的驗證器或簡單的啟發式方法，例如透過多數投票達成答案協議。由於模型只需要多次嘗試中的一次，因此品質通常會隨著 N 的增長而急劇上升，特別是在存在正確路徑但並不總是第一個樣本的推理和程式碼任務上。成本與 N 成線性關係，如果評分者不完美，收益最終會趨於穩定甚至逆轉，這種失敗模式稱為獎勵黑客或獎勵過度優化。
技術洞察
N 局最佳的品質完全取決於得分手。有了完美的驗證器，準確率就接近 N 個樣本中至少有一個是正確的，並且隨著 N 的增加而迅速上升。使用嘈雜的獎勵模型，選擇可能會被愚弄：將 N 推得很高會放大得分高但實際上是錯誤的輸出，因為你正在針對評分者的盲點進行優化。這就是為什麼經過校準、穩健的獎勵模型對於保持回報的技術至關重要。
掌握 Best-of-N 採樣和重新排序
Best-of-N 取樣從模型中產生多個候選答案，然後使用單獨的評分步驟選擇最佳答案。這是在推理時用額外計算換取更高答案品質的最簡單、最可靠的方法之一。 Best-of-N 取樣和重新排序是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。為了建立深入的理解，請將「Best-of-N」取樣和重新排名視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，強大的團隊使用 Best-of-N 採樣和重新排序將提示、檢索和審查循環設計為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
對數學問題的 64 個解決方案進行抽樣，並選擇大多數樣本都同意的答案（自我一致性/多數投票）。
產生多個程式碼完成並保留通過最多單元測試的程式碼作為自動驗證器。
在 RLHF 管道中繪製多個回應，並選擇獎勵模型得分最高的回應來為使用者提供服務。
產生幾份摘要草稿，並使用品質模型對它們進行重新排序，以傳回最忠實、簡潔的摘要。
實施模式
Best-of-N 取樣與重排序實踐
對數學問題的 64 個解決方案進行抽樣，並選擇大多數樣本都同意的答案（自我一致性/多數投票）。
對數學問題的 64 個解決方案進行抽樣，並選擇大多數樣本都同意的答案（自我一致性/多數投票） 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
Best-of-N 取樣與重排序實踐
產生多個程式碼完成並保留通過最多單元測試的程式碼作為自動驗證器。
產生多個程式碼完成並保留通過最多單元測試的程式碼作為自動驗證器當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
Best-of-N 取樣與重排序實踐
在 RLHF 管道中繪製多個回應，並選擇獎勵模型得分最高的回應來為使用者提供服務。
在 RLHF 管道中繪製多個響應，並選擇獎勵模型得分最高的響應來為用戶提供服務 當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
Best-of-N 取樣與重排序實踐
產生幾份摘要草稿，並使用品質模型對它們進行重新排序，以傳回最忠實、簡潔的摘要。
產生幾份摘要草稿，並使用品質模型對它們進行重新排序，以返回最忠實、最簡潔的摘要 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。