概述
拒絕採樣微調 (RFT) 會產生許多候選答案，僅保留得分最高的答案，並根據這些獲勝者重新訓練模型。這很重要，因為它使用簡單的監督學習而不是複雜的強化學習來提供 RLHF 的大部分好處。
拒絕採樣微調是語言 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
拒絕採樣微調（有時稱為 N 最佳微調）是 Meta 的 Llama 2 和 Llama 3 等模型如何對齊的關鍵要素。方法很簡單：對於每個提示，從當前模型中採樣多個響應（例如 4 到 64），使用獎勵模型或自動檢查器對每個響應進行評分，然後丟棄（「拒絕」）除排名最高的輸出之外的所有輸出。倖存的高品質樣本成為新的監督微調資料集，並使用普通的下一個令牌損失對模型進行訓練。迭代地重複此循環會推動模型自行產生更好的答案。由於模型從自己過濾的輸出中學習，RFT 避免了策略梯度 RL 的不穩定和調整難題，同時仍利用獎勵訊號。
技術洞察
RFT 利用了這樣一個事實：多次採樣並保持最大獎勵響應近似於從銳化的、更高品質的分佈中進行挑選。透過標準交叉熵對這些獲勝者進行訓練，可以有效地將 N 中最佳行為提煉回模型的單樣本輸出中。對於數學或程式碼等可驗證領域，「獎勵」可以簡單地是最終答案或單元測試是否通過，從而完全不需要學習獎勵模型。
掌握拒絕採樣微調
拒絕採樣微調 (RFT) 會產生許多候選答案，僅保留得分最高的答案，並根據這些獲勝者重新訓練模型。這很重要，因為它使用簡單的監督學習而不是複雜的強化學習來提供 RLHF 的大部分好處。拒絕採樣微調是語言 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，請將拒絕採樣微調視為一種操作模型，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完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用拒絕採樣微調的強大團隊將提示、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
透過對每個提示採樣多個答案來調整 Llama 風格的模型，保持最高的獎勵模型分數，然後對這些答案進行 SFT
透過產生許多解決方案並僅保留那些達到正確、可檢查答案的解決方案來改進數學求解器
程式碼生成，僅當候選人通過單元測試時才保留候選人，然後用作訓練數據
透過過濾模型本身的最佳自生成響應來建立合成指令資料集以用於下一輪訓練
實施模式
拒絕採樣微調實踐
透過對每個提示採樣多個答案來調整 Llama 風格的模型，保持最高的獎勵模型分數，然後對這些分數進行 SFT。
透過對每個提示的多個答案進行採樣來調整 Llama 風格的模型，保持最高的獎勵模型分數，然後在這些團隊中進行 SFT，當他們預先定義質量閾值、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。
拒絕採樣微調實踐
透過產生許多解決方案並僅保留那些達到正確、可檢查答案的解決方案來改進數學求解器。
透過產生許多解決方案並僅保留那些達到正確、可檢查答案的解決方案來改進數學求解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跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
拒絕採樣微調實踐
程式碼生成，只有通過單元測試的候選人才會被保留，然後用作訓練資料。
程式碼生成，只有通過單元測試的候選者才會被保留，然後用作訓練資料。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。
拒絕採樣微調實踐
透過過濾模型本身的最佳自生成響應來建立合成指令資料集，以供下一輪訓練使用。
透過過濾模型自己為下一輪訓練產生的最佳反應來建立合成指令資料集 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。
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。