知识卡片
奖励分差学习相对偏好
奖励模型可从比较数据学习标量分数,通过胜出与落败回答的分数差构造损失。原书采用负对数sigmoid损失:胜出分数相对更高时,损失更小。学到的是相对偏好,不是具有通用单位或绝对真实性保证的分数。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 理解基础模型
原书出处 · 1 处
- · 查看原书依据
常用的目标函数通常基于胜出响应和落败响应的输出分数之差,目标是最大化这一差值。对于感兴趣的读者,下面给出InstructGPT使用的数学公式。
参考来源
- 位置:《AI工程:大模型应用开发实战》第2章《理解基础模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section010.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:常用的目标函数通常基于胜出响应和落败响应的输出分数之差,目标是最大化这一差值。对于感兴趣的读者,下面给出InstructGPT使用的数学公式。