概述
Kahneman-Tversky Optimization (KTO) 是一種對齊方法，它從簡單的贊成或反對標籤而不是配對比較中學習。這很重要，因為二進制回饋比大多數方法所需的排名對更容易收集，也更便宜。
Kahneman-Tversky Optimization 是用於大規模讀取、生成、分類和轉換文字和語音的語言 AI 堆疊的一部分。
深入探討
KTO 是由 Ethayarajh 及其同事在史丹佛大學和 Contextual AI 於 2024 年推出的，它藉鑒了前景理論，這是 Daniel Kahneman 和 Amos Tversky 的諾貝爾獎獲獎作品，關於人類如何評估得失。像 DPO 這樣的標準方法需要偏好對：針對相同提示選擇的答案和拒絕的答案。相反，KTO 使用不成對的數據，其中每個單獨的輸出都被簡單地標記為所需或不需要。它建構了一種人類感知的損失，將模型對樣本的改進視為相對於參考點的增益或損失，應用損失厭惡，因此對不期望的輸出的懲罰比期望的輸出的獎勵更嚴厲。這使得團隊可以使用生產應用程式中已收集的大量贊成/反對訊號。
技術洞察
KTO 定義了一個基於前景理論建模的價值函數，衡量反應的隱含獎勵高於或低於參考基線（通常是與參考政策的平均 KL 散度）的程度。理想的例子推高價值，不理想的例子推低價值，損失厭惡係數使負偏差更重。至關重要的是，每個範例只需要一個標籤，而不是匹配對。
掌握卡尼曼-特沃斯基優化
Kahneman-Tversky Optimization (KTO) 是一種對齊方法，它從簡單的贊成或反對標籤而不是配對比較中學習。這很重要，因為二進制回饋比大多數方法所需的排名對更容易收集，也更便宜。 Kahneman-Tversky Optimization 是用於大規模讀取、生成、分類和轉換文字和語音的語言 AI 堆疊的一部分。為了建立深入的理解，請將卡尼曼-特沃斯基最佳化視為一種操作模型，而不是單一功能：定義期望的結果，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 Kahneman-Tversky Optimization 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
使用已部署的聊天機器人的“拇指向上/拇指向下”點擊來對其進行微調，而無需構建偏好對
當您有一堆“好”和“壞”答案但沒有針對相同提示的匹配比較時對齊模型
產品團隊將審核標記（不需要）和保存的回應（需要）回收到 KTO 培訓中
透過調整 KTO 的損失厭惡和類別權重，處理不喜歡的回饋比喜歡少的不平衡回饋
實施模式
Kahneman-Tversky 優化實踐
使用已部署的聊天機器人的“拇指向上/拇指向下”點擊來對其進行微調，而無需構建偏好對。
使用已部署的聊天機器人中的“同意/反對”點擊來對其進行微調，而無需構建偏好對。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。
Kahneman-Tversky 優化實踐
當您有一堆“好”和“壞”答案但沒有相同提示的匹配比較時，請調整模型。
當您有一堆「好」和「壞」答案但沒有對相同提示進行匹配比較時，調整模型團隊通常會在預先定義品質閾值、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獲得更好的結果。
Kahneman-Tversky 優化實踐
產品團隊將審核標記（不需要）和保存的回應（需要）回收到 KTO 培訓中。
產品團隊將審核標記（不需要）和保存的回應（需要）回收到 KTO 培訓中。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。
Kahneman-Tversky 優化實踐
透過調整 KTO 的損失厭惡和類別權重，處理不喜歡的回饋比喜歡少的不平衡回饋。
透過調整 KTO 的損失厭惡和類別權重，處理不喜歡的回饋比喜歡的情況少的不平衡回饋。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，通常會得到更好的結果。
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。