ChatGPT 等 LLM 使用强化学习而非监督学习进行微调的 5 个原因_CHA:champ币怎么样

撰文:TanyaMalhotra

来源:Marktechpost

编译:DeFi之道

图片来源:由无界版图AI工具生成

随着生成性人工智能在过去几个月的巨大成功,大型语言模型正在不断改进。这些模型正在为一些值得注意的经济和社会转型做出贡献。OpenAI开发的ChatGPT是一个自然语言处理模型,允许用户生成有意义的文本。不仅如此,它还可以回答问题,总结长段落,编写代码和电子邮件等。其他语言模型,如Pathways语言模型、Chinchilla等,在模仿人类方面也有很好的表现。

Chainlink喂价上线Terra测试网:10月26日消息,Chainlink喂价上线Terra测试网,为其DeFi生态系统带来优质市场数据。[2021/10/26 20:56:46]

大型语言模型使用强化学习来进行微调。强化学习是一种基于奖励系统的反馈驱动的机器学习方法。代理通过完成某些任务并观察这些行动的结果来学习在一个环境中的表现。代理在很好地完成一个任务后会得到积极的反馈,而完成地不好则会有相应的惩罚。像ChatGPT这样的LLM表现出的卓越性能都要归功于强化学习。

ChatGPT使用来自人类反馈的强化学习,通过最小化偏差对模型进行微调。但为什么不是监督学习呢?一个基本的强化学习范式由用于训练模型的标签组成。但是为什么这些标签不能直接用于监督学习方法呢?人工智能和机器学习研究员SebastianRaschka在他的推特上分享了一些原因,即为什么强化学习被用于微调而不是监督学习。

美国内华达州里诺市市长敦促政府采用Chainlink:内华达州里诺市市长Hillary Schieve在1月27日的一条推文中支持预言机协议Chainlink,她成为第一批公开支持Chainlink的家之一。Schieve称,现在是为内华达州开展大型项目的时候了。该声明证实了其一些早期的推文,这些推文暗示她持有LINK。(Cryptoslate)[2021/1/29 14:16:21]

动态 | ZT Global荣获“DeepChain2019年度新锐金融服务平台”奖项:由深链财经主办的“DeepChain2019年度影响力颁奖典礼”于2020年1月8日在北京举办。ZT Global荣获“DeepChain2019年度新锐金融服务平台”奖项。ZT数字资产平台是一家全球性的数字资产交易服务商,旨在为全球用户打造安全、稳定、高效的数字资产交易平台。未来,ZT将继续开拓全球市场,不断完善产品和服务质量,推动区块链行业的健康发展。[2020/1/9]

不使用监督学习的第一个原因是,它只预测等级,不会产生连贯的反应;该模型只是学习给与训练集相似的反应打上高分,即使它们是不连贯的。另一方面,RLHF则被训练来估计产生反应的质量,而不仅仅是排名分数。

动态 | 百度超级链Xuperchain宣布正式开源:今日,百度专为中国开发者打造的区块链底层技术超级链Xuperchain正式宣布开源。根据官网显示,链内并行技术、可插拔共识机制、一体化智能合约等四大技术支撑开源,让区块链应用搭建更灵活、性能更高效,全面赋能区块链开发者。[2019/5/28]

SebastianRaschka分享了使用监督学习将任务重新表述为一个受限的优化问题的想法。损失函数结合了输出文本损失和奖励分数项。这将使生成的响应和排名的质量更高。但这种方法只有在目标正确产生问题-答案对时才能成功。但是累积奖励对于实现用户和ChatGPT之间的连贯对话也是必要的,而监督学习无法提供这种奖励。

不选择SL的第三个原因是,它使用交叉熵来优化标记级的损失。虽然在文本段落的标记水平上,改变反应中的个别单词可能对整体损失只有很小的影响,但如果一个单词被否定,产生连贯性对话的复杂任务可能会完全改变上下文。因此,仅仅依靠SL是不够的,RLHF对于考虑整个对话的背景和连贯性是必要的。

监督学习可以用来训练一个模型,但根据经验发现RLHF往往表现得更好。2022年的一篇论文《从人类反馈中学习总结》显示,RLHF比SL表现得更好。原因是RLHF考虑了连贯性对话的累积奖励,而SL由于其文本段落级的损失函数而未能很好做到这一点。

像InstructGPT和ChatGPT这样的LLMs同时使用监督学习和强化学习。这两者的结合对于实现最佳性能至关重要。在这些模型中,首先使用SL对模型进行微调,然后使用RL进一步更新。SL阶段允许模型学习任务的基本结构和内容,而RLHF阶段则完善模型的反应以提高准确性。

郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。

水星链

[0:15ms0-1:172ms