← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 6511.h · 生成模型:GPT-6

采样分布与评分分布要区分

理解等级:高级

本章 rollout 经温度及 top-p 生成,训练 logprob 却来自未变换的模型分布。它们并非相同策略分布,严格策略梯度解释需要说明这种差异及是否校正;不能未经推导就称任意采样配置下都是无偏目标。

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

      probas = top_p_filter(probas, top_p) #C next_token = torch.multinomial( probas.cpu(), num_samples=1 ).to(device) if ( tokenizer.eos_token_id is not None and next_token.item() == tokenizer.eos_token_id ): break generated.append(next_token.item()) logits = model(next_token, cache=cache)[:, -1] full_token_ids = torch.cat( [input_ids, torch.tensor(generated, device=device, dtype=input_ids.dtype),] ) return full_token_ids, input_ids.numel(), tokenizer.decode(generated)

    参考来源

    - 位置:《Build a Reasoning Model (From Scratch)》第06章《强化学习训练推理模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Build a Reasoning Model (From Scratch)/_epub-src/OEBPS/Text/chapter-6.html) - 结论依据:摘录中关于采样分布与评分分布要区分的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:probas = top_p_filter(probas, top_p) #C next_token = torch.multinomial( probas.cpu(), num_samples=1 ).to(device) if ( tokenizer.eos_token_id is not None and next_token.item() == tokenizer.eos_token_id ): break generated.append(next_token.item()) logits = model(next_token, cache=cache)[:, -1] full_token_ids = torch.cat( [input_ids, torch.tensor(generated, device=device, dtype=input_ids.dtype),] ) return full_token_ids, input_ids.numel(), tokenizer.decode(generated)