- 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
2
0beenfoundtobelargelyineffectiveinmodernLLMs.Existingapproachesfortrainingself-correctioneither
2requiremultiplemodelsorrelyonamorecapablemodelorotherformsofsupervision.Tothisend,we
pdevelopamulti-turnonlinereinforcementlearning(RL)approach,SCoRe,thatsignificantlyimprovesan
e
SLLM’sself-correctionabilityusingentirelyself-generateddata.TobuildSCoRe,wefirstshowthatvariants
ofsupervisedfine-tuning(SFT)onofflinemodel-generatedcorrectiontracesareinsufficientforinstilling
9
1self-correctionbehavior.Inparticular,weobservethattrainingviaSFTeithersuffersfromadistribution
mismatchbetweenthetrainingdataandthemodel’sownresponsesorimplici
您可能关注的文档
- 2024 云栖大会微服务和网关相关演讲材料.pdf
- 城市低空经济“链接力”指数(成都)报告2024.pdf
- 多模态大语言模型视觉提示 综述 Visual Prompting in Multimodal Large Language Models A Survey.pdf
- 粉丝尼尔森关于西班牙裔媒体消费和体育参与的游戏手册 Fanáticos Nielsen’s playbook on Hispanic audiences, sports and media engagement.pdf
- 宏观研究:央行宣布降息降准,稳增长、稳楼市力度大幅加码 20240925 -东方金诚.pdf
- 企业温室气体排放核算与报告指南 水泥行业(CETS—AG—02.01—V01—2024).pdf
- 赛迪前瞻2024年第24期(总864期):锻造“工业利刃”,我国工业机器人亟需三方面协同破解知识产权难题.pdf
- 铁路专线配套输煤系统改扩建工程 设备在线监测系统 技术规格书.pdf
- 新世纪评级 -2024年上半年人身险行业信用观察.pdf
- 新世纪评级-2024年上半年消费金融行业信用观察.pdf
文档评论(0)