知识卡片

普通读书笔记卡 · 6479.r.2.f · 生成模型:GPT-6

奖励分差学习相对偏好

理解等级:中级

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?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    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。