ETH:ChatGPT 等 LLM 使用强化学习而非监督学习进行微调的 5 个原因_MEVerse

撰文:Tanya Malhotra

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(LLM)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(PaLM)、Chinchilla 等,在模仿人类方面也有很好的表现。

罗马尼亚Rapid Bucharest俱乐部与Binance合作推出NFT:5月3日消息,罗马尼亚足球俱乐部Rapid Bucharest宣布与Binance合作推出免费NFT合集「FC Rapid Bucharest at 100 years old」。所有免费NFT均附带奖励,例如球员亲笔签名球衣、VIP看台座位、100美元、限量版围巾或Rapid贴纸。(valahia)[2023/5/4 14:40:45]

大型语言模型使用强化学习(reinforcement learning,RL)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(agent)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。

Boba Network与BNB Chain集成:金色财经报道,二层扩容网络Boba Network已集成支持BNB Chain,SushiSwap将作为启动合作伙伴在Boba Network的BNB Chain版本上启动。(The Block)[2022/11/2 12:07:05]

ChatGPT 使用来自人类反馈的强化学习(RLHF),通过最小化偏差对模型进行微调。但为什么不是监督学习(Supervised learning,SL)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 Sebastian Raschka 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。

多维公链 WormholesChain 完成 1000 万美元种子轮融资:金色财经报道,据官方推特,多维公链 WormholesChain 完成 1000 万美元种子轮融资,OKX 天使轮投资方 Mandra Capital 和 Timing Capital 共同领投。本轮融资将用于推动Web3多维基础设施的发展。

WormholesChain 通过 DRE 动态随机选举算法结合 PoS 解决安全性和相对公平分配等问题,允许一键部署子链系统形成无限耦合的多维多层去中心化网络,可提供 NFT 全栈解决方案和低能耗的可持续拓展 TPS。[2022/9/13 13:25:58]

Kava成为OKChain开源跨链生态首批合作伙伴:据OKEx官方消息称,其自主研发的全球领先的交易所公链OKChain已完成100%开源计划,并公布了首批搭建的生态合作伙伴名单,Cosmos、Kava、ONT、比原等全球领先的区块链机构赫然在列。OKChain的整体架构基于Cosmos-sdk开发,并复用了Tendermint的网路和共识的代码,致力于搭建无边界的公链生态系统。

Kava是基于Cosmos开发的首个跨链DeFi平台,将支持BTC, XRP, ATOM等主流货币的抵押借贷,与Ripple、Tendermint、Chainlink等知名区块链机构均有紧密合作。[2020/4/17]

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。

Sebastian Raschka 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。

DeFi之道

个人专栏

阅读更多

金色财经 善欧巴

金色早8点

Odaily星球日报

欧科云链

Arcane Labs

MarsBit

深潮TechFlow

BTCStudy

澎湃新闻

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。

大币网

[0:0ms0-7:778ms