google deepMind：通过强化学习训练语言模型进行自我纠正.pdf

1、本文档共29页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

2024-9-20

TrainingLanguageModelstoSelf-Correctvia

ReinforcementLearning

*+,1*+,1*,1*,1111

AviralKumar,VincentZhuang,RishabhAgarwal,YiSu,JDCo-Reyes,AviSingh,KateBaumli,

111111

ShariqIqbal,ColtonBishop,RebeccaRoelofs,LeiMZhang,KayMcKinney,DishaShrivastava,Cosmin

111†,1†,1

Paduraru,GeorgeTucker,DoinaPrecup,FeryalBehbahaniandAleksandraFaust

1*+†

GoogleDeepMind,EqualContribution,Randomlyorderedviacoinflip,Jointlysupervised.

4Self-correctionisahighlydesirablecapabilityoflargelanguagemodels(LLMs),yetithasconsistently

0beenfoundtobelargelyineffectiveinmodernLLMs.Existingapproachesfortrainingself-correctioneither

2requiremultiplemodelsorrelyonamorecapablemodelorotherformsofsupervision.Tothisend,we

pdevelopamulti-turnonlinereinforcementlearning(RL)approach,SCoRe,thatsignificantlyimprovesan

SLLM’sself-correctionabilityusingentirelyself-generateddata.TobuildSCoRe,wefirstshowthatvariants

ofsupervisedfine-tuning(SFT)onofflinemodel-generatedcorrectiontracesareinsufficientforinstilling

1self-correctionbehavior.Inparticular,weobservethattrainingviaSFTeithersuffersfromadistribution

mismatchbetweenthetrainingdataandthemodel’sownresponsesorimplici

该用户很懒，什么也没介绍

咨询Ta 进入空间

用户编号：5013000222000100

更多 >