知识卡片
响应损失权重应匹配实际生成任务
监督训练可以分别控制提示与响应token是否计入损失及其权重。应用通常希望学会给定输入后的响应,而非复述输入,因此需明确mask与权重。不同框架默认不同,原书10%的示例不能视为通用默认;屏蔽输入损失也不等于输入对学习无影响。
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
- · 微调
原书出处 · 1 处
- · 查看原书依据
提示词损失权重决定提示词相较于响应对损失的贡献程度。如果该权重为100%,则提示词和响应对损失的贡献相同,意味着模型从二者中学习的程度相等。如果该权重为0%,则模型只从响应中学习。在通常情况下,该权重默认为10%,意味着模型主要从响应中学习,但也会从
参考来源
- 位置:《AI工程:大模型应用开发实战》第7章《微调》(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/Section015.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:提示词损失权重决定提示词相较于响应对损失的贡献程度。如果该权重为100%,则提示词和响应对损失的贡献相同,意味着模型从二者中学习的程度相等。如果该权重为0%,则模型只从响应中学习。在通常情况下,该权重默认为10%,意味着模型主要从响应中学习,但也会从