RS-DPO: A Hybrid Rejection Sampling and Direct Preference Optimization Method for Alignment of LLMs

828 篇文章

已下架不支持订阅

本文提出RS-DPO,一种结合拒绝采样和直接偏好优化的方法,用于大型语言模型的对齐。RS-DPO解决了RLHF中PPO的不稳定性及计算成本问题,通过合成偏好对有效地微调LLM,提高与用户意图一致性,且对奖励模型质量不敏感。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《RS-DPO: A Hybrid Rejection Sampling and Direct Preference
Optimization Method for Alignment of Large Language Models》的翻译。

RS-DPO:一种用于大型语言模型比对的混合拒绝抽样和直接偏好优化方法

摘要

来自人类反馈的强化学习(RLHF)已被广泛用于使大型语言模型与用户意图相一致。然而,基于近端策略优化(PPO)的RLHF偶尔是不稳定的,需要进行显著的超参数微调,并且在对齐期间最大化估计的回报在计算上是昂贵的。最近,直接偏好优化(DPO)被提出来解决这些挑战。然而,DPO通常依赖于人类注释器和替代LLM生成的对比响应,而不是策略模型,这限制了RLHF的有效性。在本文中,我们通过系统地结合拒绝采样(RS)和DPO来解决这两个挑战。我们提出的方法,RS-DPO,始于监督微调策略模型(SFT)的开发。每个提示的k个响应的变化集合直接从SFT模型中采样。RS-DPO根据对比样本的奖励分布来识别对比样本对。最后,我们将DPO与对比样本相结合,使模型与人类偏好相一致。我们的实验表明,我们提出的方法在有限的资源环境下有效地微调LLM,从而提高了与用户意图的一致性。此外,它优于现有的方法,包括RS、PPO和DPO。

<

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值