什么是大语言模型
大型语言模型(LLM)是指包含数千亿(或更多的)参数的语言模型 这些参数是在大量文本数据上训练的, 例如模型GPT-3、PalM、Galactica和LLAMA 具体来说,LLM建立在Transformer架构之上,其中多头注意力层堆叠在一个非常深的神经网络中 现有的LLM主要采用与小语言模型类似的模型架构(即Transformer)和与训练目标(即语言建模)
大模型第一阶段 "修内功"积累"知识" 基座大模型 基础大模型
ChatGPT本质是预测下一个字
自回归生成流程: 输入一个字==>ChatGPT==>预测下一个字==>将预测字与输入字结合==>ChatGPT==>预测下一个字······
如何预测下一个字
在输入文本后,利用语言模型转换为下一个文本时,将超大未知参数的函数公式或下一个文本或再次输入文本作为参数,传输给大模型,进行下一个文本的预测生成
-
tokenization(词分化、数字化)
在自然语言处理(NLP)任务中,分词(Tokenization)是一项基础而重要的预处理步骤
分词的目标是将文本分割成更小的有意义的单位,即标记(tokens),这些标记可以是单词、短语或其他有意义的子字符串
分词对于后续的任务如文本分类、情感分析、机器翻译等至关重要
-
分词的重要性
标准化:将文本转换为统一的形式,便于后续处理
信息提取:帮助提取出文本中的关键信息
减少维度:减少处理的数据量,提高效率
增强理解:帮助模型更好地理解文本结构
-
常见的分词方法
基于空格的分词:简单地按照空格将文本切分
基于规则的分词:利用预先定义的规则来进行分词,例如标点符号、连字符等
基于统计的分词:利用大量语料库训练模型,根据上下文统计信息进行分词
基于深度学习的分词:使用神经网络模型(如BiLSTM、Transformer等)进行分词
-
Python 中的分词工具
Python 提供了许多库来帮助进行分词,以下是一些常用的库:
NLTK:自然语言工具包,提供了多种分词方法
spaCy:一个工业级的自然语言处理库,性能优秀。
jieba:专用于中文分词的库
Hugging Face Tokenizers:提供了多种预训练模型的分词器。
Embedding(向量化)
在不同维度下对于相同数字有不同的情况
Positional Encoding(位置编码)
自然语言处理(NLP)领域中的一项关键技术,尤其在基于 Transformer 的模型中起着至关重要的作用
目的是为序列中的每个位置赋予一个唯一的标识,从而让模型能够理解和学习序列中元素的相对位置信息
这对于处理没有内置顺序信息的数据尤为重要,因为在原始的词嵌入中,模型无法区分不同位置的词
在 Transformer 模型中,由于采用了自注意力机制(Self-Attention),引入位置编码可以补充对位置信息的感知能力,因此模型可以在任意两个位置之间计算依赖关系,并行处理所有位置
训练参数的难点
文本==>人工智能==>语言模型
通过机器学习的过程不断找参数就是模型的训练(training)
训练可能不会一次成功,需要反复调整超参数,上算力再次进行训练(经费在燃烧)
超参数
-
学习率(Learning Rate)
难点:
-
选择合适的初始值:太高的学习率可能导致训练不稳定甚至发散;太低的学习率则可能导致训练过程过于缓慢,无法收敛到最优解
-
动态调整:静态的学习率往往难以适应整个训练过程中的变化,因此需要采用学习率衰减策略或自适应学习率方法(如Adam优化器)
解决方案:
-
使用学习率调度策略,如指数衰减、步进衰减或余弦退火等
-
采用自适应优化算法(如Adam、RMSprop)
-
-
批量大小(Batch Size)
难点:
-
资源限制:较大的批量大小可以加速训练,但也需要更多的内存
-
梯度估计:较小的批量大小会导致梯度估计的方差较大,可能使训练更加不稳定
解决方案:
-
根据可用硬件资源选择合适的批量大小。
-
结合梯度累积技术来模拟更大的批量大小,同时保持较小的批量大小带来的探索性。
-
-
模型架构
难点:
-
过拟合:模型复杂度过高容易导致过拟合。
-
欠拟合:模型复杂度过低则可能无法捕捉数据中的复杂模式。
解决方案:
-
使用正则化技术(如L1/L2正则化、Dropout)
-
使用早停法(Early Stopping)
-
调整模型的深度和宽度
-
-
优化器
难点:
-
选择合适的优化器:不同的优化器对模型的表现有不同的影响。
-
超参数调整:许多优化器都有额外的超参数需要调整,如动量项、β值等。
解决方案:
-
根据问题的具体情况选择优化器,如对于非凸问题,Adam或RMSprop可能表现更好。
-
调整优化器的超参数,尝试不同的组合。
-
-
正则化
难点:
-
平衡正则化强度:过强的正则化会抑制模型的学习能力,过弱的正则化则无法有效防止过拟合。
解决方案:
-
调整正则化系数,使用交叉验证来评估不同强度的影响。
-
结合多种正则化方法,如同时使用Dropout和L2正则化。
-
-
初始化方法
难点:
-
初始化不当:不恰当的权重初始化可能导致梯度消失或梯度爆炸。
解决方案:
-
使用适合激活函数的初始化方法,如Xavier/Glorot初始化或He初始化。
-
对于RNN等模型,使用特定的初始化方法(如Orthogonal Initialization)。
-
-
数据增强
难点:
-
选择合适的数据增强方法:不同的任务需要不同的数据增强策略。
-
过度增强:过多的数据增强可能导致模型学习到噪声。
解决方案:
-
根据任务特点选择适当的数据增强方法。
-
控制数据增强的程度,避免引入过多的噪声。
-
-
训练/验证集划分
难点:
-
样本分布不均:训练集和验证集的分布差异可能导致模型泛化能力差。
解决方案:
-
使用分层采样来保证训练集和验证集的分布一致性。
-
跨验证(Cross-validation)来评估模型性能。
-
训练成功,但是测试失败
原因:
参数符合资料但是不合理
解决办法:
增加训练数据多样性
初始参数
调用知识库化为初始参数,利用相对合理参数比较接近,再将初始参数、训练数据和超参数同时进行最优化后传给模型参数
在训练深度学习模型时,初始参数(Initial Parameters)的选择对于模型的收敛速度和最终性能有着重要影响
初始参数主要包括模型权重(weights)和偏置(biases)的初始值
选择合适的初始参数可以避免一些常见问题,如梯度消失(vanishing gradients)和梯度爆炸(exploding gradients),并有助于模型更快地找到良好的局部最小值或全局最小值
-
初始参数的重要性
-
梯度传播:初始参数的选择会影响梯度在反向传播过程中的行为。如果初始权重过大或过小,可能会导致梯度消失或梯度爆炸
-
收敛速度:合理的初始参数可以使模型更快地收敛到一个较好的解
-
避免局部极小值:初始参数的选择可以影响模型是否容易陷入不良的局部极小值。
-
-
常见的初始化方法
-
零初始化(Zero Initialization):所有权重初始化为零,由于简单易实现的特点,会导致所有神经元学习相同的特征,无法打破对称性
-
随机初始化(Random Initialization):为服从均匀分布或正态分布的小数值,由于可以打破对称性并使每个神经元学习不同的特征,如果随机范围选择不当,可能会导致梯度消失或梯度爆炸
-
Xavier/Glorot 初始化:权重初始化为服从均匀分布或正态分布的小数值,分布的方差根据输入和输出单元的数量进行调整。特别适用于使用ReLU或其变种作为激活函数的网络
-
需要多少数据才能训练预测
从互联网抓取训练数据(人工很少介入,但也会有干预处理),对数据进行最优化,转化成模型参数,这个过程叫做Self-Supervised Learning(自监督学习)
特点:
-
过滤有害内容
-
去除HTML标签符号,保留项目符号
-
去除 '低' 品质内容
-
去除重复材料
自我监督学习利用未标记的数据来学习有用的表示,提高了模型的泛化能力和鲁棒性通过设计合适的预训练任务自动生成标签,从而指导模型学习数据的内在结构
GPT历代版本
GPT-1特点(2018年6月):
-
架构:GPT-1基于Transformer架构,使用了12层的Transformer编码器
-
训练数据:使用了BookCorpus(约7,000本未出版书籍)进行预训练,总共有约5GB的文本数据
-
参数量:大约1.17亿个参数
-
任务:主要用于语言建模任务,即预测下一个词
-
性能:在多项语言理解任务中取得了与当时最先进的监督学习模型相当甚至更好的结果
GPT-2特点(2019年8月):
-
架构:继续使用Transformer架构,但增加了模型的深度(48层)和宽度
-
训练数据:使用了一个名为WebText的数据集,包含了从Reddit上收集的链接,这些链接指向了互联网上的文章,总共有约40GB的文本数据
-
参数量:大约15亿个参数
-
任务:除了语言建模外,还可以进行文本生成、翻译等多种任务
-
性能:在多个自然语言处理任务上取得了显著的进步,特别是在文本生成方面展示了强大的能力
GPT-3特点(2020年5月):
-
架构:依然是基于Transformer架构,但规模更大,拥有96层
-
训练数据:使用了一个非常庞大的数据集,包含了互联网上的大量文本数据,总共有约570GB的文本数据
-
参数量:约1750亿个参数,是迄今为止最大的语言模型之一
-
任务:不仅限于语言建模,还能执行广泛的自然语言处理任务,如问答、翻译、摘要、代码生成等
-
性能:在多种任务上表现出了接近人类水平的能力,能够生成连贯、有逻辑的文本
为什么模型无法好好回答问题
用用程序与大模型之间互相转换,应用程序Prompt>大模型,应用程序<response大模型
-
数据不足或数据质量问题
原因:
数据量不足:模型可能没有足够的数据来学习复杂的模式
数据质量不高:数据可能存在噪声、错误标签或不平衡等问题
解决方法:
增加数据量:获取更多的训练数据
数据清洗:清理数据,去除噪声和错误
数据增强:使用数据增强技术来增加数据的多样性和丰富性。
-
模型复杂度不合适
原因:
模型过于简单:模型可能缺乏足够的容量来捕捉数据中的复杂模式
模型过于复杂:模型可能过于复杂,导致过拟合(即模型在训练数据上表现很好,但在新数据上表现不佳)
解决方法:
调整模型架构:选择合适的模型复杂度,可以通过增加或减少模型层数、调整隐藏层大小等方式来调整
正则化:使用正则化技术(如 L1、L2 正则化)来防止过拟合
早停法:使用早停法(Early Stopping)来避免过拟合
-
模型训练不足
原因:
训练轮次不够:模型可能还没有经过充分的训练
学习率不合适:学习率设置不当可能导致模型收敛速度慢或无法收敛
解决方法:
增加训练轮次:延长训练时间,让模型有更多机会学习数据
调整学习率:使用适当的学习率,并考虑使用学习率衰减策略
-
预训练与微调不匹配
原因:
预训练任务与下游任务不一致:预训练任务可能与实际任务存在较大差异,导致模型在实际任务上表现不佳
微调数据不足:在特定任务上的微调数据量可能不足以调整模型
解决方法:
调整预训练任务:设计更适合实际任务的预训练任务
增加微调数据:获取更多的微调数据,以便更好地调整模型
-
上下文理解不足
原因:
上下文长度有限:模型可能只能处理有限长度的上下文,导致对较长或复杂的上下文理解不足。
多轮对话管理:在对话系统中,模型可能无法很好地管理多轮对话的上下文
解决方法:
增加上下文长度:使用更大的上下文窗口,以便模型能够更好地理解更长的上下文
对话管理:设计更好的对话管理系统,以便模型能够更好地跟踪多轮对话
-
模型的固有限制
原因:
模型架构限制:某些模型架构可能在某些任务上存在固有的局限性
领域知识不足:模型可能缺乏特定领域的专业知识
解决方法:
改进模型架构:尝试使用更先进的模型架构
领域适应:在特定领域进行更多的训练和微调,以增强模型在该领域的表现
-
任务复杂性
原因:
任务本身复杂:有些任务本身具有很高的复杂性,模型可能难以完全掌握
多模态任务:模型可能需要处理多模态数据(如文本、图像、音频等),这增加了任务的复杂性
解决方法:
简化任务:将复杂任务分解为更简单的子任务
多模态融合:设计专门处理多模态数据的模型
-
输入格式问题
原因:
输入格式不当:模型可能无法处理特定格式的输入
上下文缺失:输入中缺少必要的上下文信息
解决方法:
标准化输入:确保输入数据格式一致,并符合模型的要求
提供完整上下文:确保输入包含足够的上下文信息
-
模型训练过程中的随机性
原因:
初始化参数:不同的初始化参数可能导致模型训练结果不同。
随机种子:训练过程中的随机性可能导致不同的训练结果。
解决方法:
多次训练:进行多次训练,并取平均结果。
固定随机种子:固定随机种子,以便结果具有可重复性。
-
用户输入问题
原因:
输入不清晰:用户的问题可能表述不清或存在歧义。
领域特定问题:用户的问题可能涉及模型未覆盖的专业领域。
解决方法:
改进提示:提供更清晰、明确的提示。
领域扩展:扩大模型的训练数据范围,涵盖更多领域。
大模型第二阶段 "大佬教教我" 模型微调
-
微调的步骤
-
加载预训练模型:从现有的预训练模型中加载参数。
-
准备特定任务的数据集:收集并预处理特定任务的数据集。
-
调整模型结构:根据任务需求调整模型结构,如增加或删除某些层。
-
设置微调策略:决定哪些层进行微调,以及微调的细节(如学习率、批次大小等)。
-
微调训练:使用特定任务的数据集对模型进行训练。
-
评估与优化:评估模型性能,并根据需要进一步优化。
-
-
微调的关键要素
-
预训练模型的选择:
-
选择一个适合特定任务的预训练模型,例如 GPT-3 对于文本生成任务,ResNet 对于图像分类任务
-
-
数据集:
-
选择一个高质量的数据集,确保数据集与特定任务相关联
-
数据预处理,包括清洗、标准化、增强等步骤
-
-
学习率调整:
-
通常需要设置一个较小的学习率,以避免破坏预训练模型学到的特征
-
可以采用学习率衰减策略,如线性衰减、指数衰减等
-
-
冻结某些层:
-
在微调过程中,可以选择冻结(freeze)预训练模型的一些层,只更新最后几层的参数
-
这样可以保留模型学到的通用特征,同时专注于学习特定任务的特征
-
-
任务特定层:
-
在预训练模型的基础上添加特定任务的层,如分类任务的全连接层(FC layer)
-
-
-
微调技巧
-
学习率调整:
-
通常需要设置一个较小的学习率,以避免破坏预训练模型学到的特征
-
可以采用学习率衰减策略,如线性衰减、指数衰减等
-
-
分阶段微调:
-
先冻结预训练模型的大部分层,只微调最后一层或几层
-
随着训练的进行,逐渐解冻更多的层,以允许更深层次的特征进行调整
-
-
数据增强:
-
在数据集上使用数据增强技术,如随机遮挡、旋转、翻转等,以增加数据的多样性
-
-
正则化:
-
使用正则化技术(如 L1、L2 正则化)来防止过拟合
-
-
早停法:
-
使用早停法(Early Stopping)来避免过拟合,即在验证集上的性能不再提高时停止训练
-
-
-
微调的注意事项
-
任务相关性:
-
确保微调的数据集与特定任务高度相关,以充分利用预训练模型学到的特征
-
-
数据质量:
-
确保数据集的质量,包括数据清洗、去噪等步骤
-
-
监控训练过程:
-
在训练过程中监控模型性能,及时发现潜在的问题并进行调整
-
-
评估指标:
-
选择合适的评估指标,确保模型在特定任务上的性能得到充分评估
-
-
lnstruction(指令)
利用数据标注(耗费大量人力)和有监督学习(Supervised Learning),对人工智能标注,转变为模型参数
lnstruction Flne-tuning(指令微调)
指在预训练模型的基础上,通过特定的指令(instruction)来引导模型学习如何执行某一类任务
从互联网抓取海量数据,加入初始参数和超参数(Hyperparameter),对合成参数机型最优化,生成模型参数,将模型参数和人类标注数据资料生成最终参数
-
步骤:
-
设计指令:为特定任务设计一组指令,这些指令应能清楚地描述任务要求。
-
准备数据集:收集包含指令和相应答案的数据集。
-
微调模型:使用这些指令和答案对模型进行微调,使模型学会如何根据指令生成正确的答案。
-
评估模型:评估微调后的模型在特定任务上的性能。
-
-
指令微调的注意事项
-
指令设计:设计清晰、明确的指令是非常重要的,这有助于模型更好地理解任务要求。
-
数据多样性:确保数据集包含多样化的指令和答案,以帮助模型泛化到未见过的任务。
-
评估指标:选择合适的评估指标来衡量模型在特定任务上的表现。
-
避免过拟合:通过适当的正则化技术(如早停法、dropout 等)来避免过拟合
-
-
优势
-
灵活性:通过指令微调,可以灵活地调整模型以适应不同的任务和场景。
-
通用性:预训练模型已经学到了大量的语言知识,通过适当的指令,可以将其应用于各种具体任务。
-
减少数据需求:相比于从头训练一个模型,指令微调通常需要较少的标注数据。
-
更好的控制:通过精心设计的指令,可以更好地控制模型的行为和输出
-
为什么第一阶段的参数作为初始参数如此重要
通过海量数据训练出来的参数绝对不仅仅是简单的推理逻辑,更具备了 '举一反三' 的能力
举一反三
只训练一种语言任务,模型自动学会其他语言
专精or全能
路线一:打造垂直领域模型(专项突出)
专门为某一特定领域设计和训练的深度学习模型
这类模型通过对特定领域的数据进行训练,能够更好地理解和处理该领域的特定任务
-
设计垂直领域模型的原因
-
领域专业知识:垂直领域模型可以利用该领域的专业知识,更好地理解和处理特定任务。
-
数据特点:不同领域的数据具有不同的特点,专门针对这些特点设计的模型可以更好地利用这些数据。
-
任务需求:不同领域的任务需求不同,垂直领域模型可以根据具体任务进行优化。
-
-
垂直领域模型的设计步骤
-
领域数据收集:收集该领域的大量数据,包括文本、图像、音频等。
-
数据预处理:对收集的数据进行预处理,如清洗、标注、标准化等。
-
模型选择:选择适合该领域的模型架构,如针对文本任务的Transformer模型,针对图像任务的CNN模型等。
-
领域特定任务设计:根据领域内的具体任务设计模型的输出层和损失函数。
-
模型训练:使用领域内的数据对模型进行训练。
-
模型评估:评估模型在特定任务上的性能,如准确率、召回率等。
-
模型部署:将训练好的模型部署到生产环境中,以供实际应用
-
路线二:打造全能型模型
能够处理多种不同类型任务的机器学习模型
这类模型旨在通过学习广泛的技能和知识,能够在不同的应用场景中表现出色,而不仅仅是局限于某一特定领域或任务
-
全能型模型的特点
-
多功能性:能够在多种任务上表现出色,如文本生成、问答、翻译、图像识别、语音识别等
-
通用性:具备处理跨领域数据的能力,能够应对各种不同的输入和输出
-
适应性强:能够通过微调(fine-tuning)快速适应新的任务和领域
-
灵活性:能够根据不同任务的需求调整自身的参数和架构
-
-
全能型模型的优势
-
减少开发成本:无需为每个任务单独开发模型,可以使用同一个模型进行微调
-
提高效率:通过一次训练获得多种能力,节省时间和计算资源
-
增强泛化能力:由于模型学习了广泛的知识,因此在新任务上表现通常会更好
-
所以我能做Instruction Fine-tuning吗
自定义指令微调(Custom Instruction Fine-tuning)是指在预训练模型的基础上,通过特定的指令来引导模型学习如何执行某一类任务
这种方法可以帮助模型更好地理解和执行用户提供的指令,从而在实际应用中表现出色
-
自定义指令微调的步骤:
-
准备数据集:收集包含指令和对应答案的数据集
-
设计指令:为特定任务设计一组指令,这些指令应能清楚地描述任务要求
-
加载预训练模型:从现有的预训练模型中加载参数
-
数据预处理:对数据集进行预处理,包括分词、编码等
-
设置训练参数:配置训练参数,如学习率、批次大小等
-
微调模型:使用指令和答案对模型进行微调
-
评估模型:评估微调后的模型在特定任务上的性能
-
部署模型:将训练好的模型部署到生产环境
-
-
自定义指令微调的注意事项
-
指令设计:设计清晰、明确的指令是非常重要的,这有助于模型更好地理解任务要求
-
数据多样性:确保数据集包含多样化的指令和答案,以帮助模型泛化到未见过的任务
-
评估指标:选择合适的评估指标来衡量模型在特定任务上的表现
-
避免过拟合:通过适当的正则化技术(如早停法、dropout 等)来避免过拟合
-
微调策略:选择适当的微调策略,如冻结某些层、调整学习率等
-
大模型第三阶段 “面对疾风吧” 基于人类反馈的强化学习
基于人类反馈的强化学习(RLHF)
结合了强化学习(RL)和人类反馈的方法,旨在通过人类的指导来优化模型的行为
这种方法在近年来得到了广泛关注,尤其是在自然语言处理(NLP)和生成模型的应用中,因为人类反馈可以提供更直接、更有意义的奖励信号,从而帮助模型更好地理解和执行任务
问题==>语言模型(微调参数)==>提升/降低出现概率
用人类反馈来创造一个虚拟人类
问题==>奖励模型==>分数
输入信息==>语言模型==>答案
输入|答案==>奖励模型==>分数(高分提升/低分降低 出现概率)
RLFHF 的基本原理
在传统的强化学习中,模型通过与环境交互来学习最优策略,其中环境会给出即时的奖励信号。然而,在许多现实任务中,环境提供的奖励信号可能不够明确或不足以引导模型学习到最优策略。在这种情况下,人类可以作为额外的“奖励源”,通过提供反馈来指导模型的学习过程
-
RLFHF 的步骤
基于人类反馈的强化学习通常包括以下几个步骤:
-
数据收集:收集初始的训练数据,这些数据可以是模型生成的结果或其他形式的互动记录
-
模型生成:使用这些数据训练一个初始模型
-
人类评价:让人类评价模型生成的结果,并提供反馈。这些反馈可以是对生成结果的评分或偏好比较
-
模型更新:根据人类反馈更新模型的参数,使得模型能够更好地生成符合人类偏好的结果
-
迭代优化:重复上述过程,不断优化模型,直到达到满意的性能
-
-
RLFHF 的具体方法
-
人类偏好学习(Preference Learning):
-
在这个过程中,人类会比较两个或多个模型生成的结果,并选择更优的一个。通过收集大量的偏好数据,可以训练一个代理模型(proxy model)来预测人类的偏好。
-
代理模型可以用来生成奖励信号,进而用于强化学习算法中。
-
-
直接评分(Direct Rating):
-
人类直接对模型生成的结果进行评分(如1-5分),这些评分可以直接用作奖励信号。
-
通过使用这些评分,可以训练模型以最大化预期得分。
-
-
比较反馈(Comparison Feedback):
-
人类比较两个模型生成的结果,并选择更优的一个。这种方法可以用于生成偏好数据,进而训练代理模型
-
-
奖励模型
过度想虚拟人类学习是有害的
DPO/KTO解决模棱两可算法
问答==>Safety Reward Model==>高分
Helpfulness Reward Model==>低分
奖励模型(Reward Model)是基于人类反馈的强化学习(Reinforcement Learning from Human Feedback, RLFHF)中的一个重要组成部分
奖励模型的目标是从人类的反馈中学习出一个能够评估模型行为(如生成的文本或动作序列)好坏的函数
这个函数可以用于指导模型的学习过程,使其能够生成更符合人类期望的结果
-
奖励模型的基本概念
在传统的强化学习中,模型通过与环境交互来学习最优策略,环境会提供即时的奖励信号
但在很多情况下,环境提供的奖励信号可能不足以引导模型学习到最优策略
此时,可以通过引入人类的反馈来提供更加丰富和有意义的奖励信号
奖励模型就是一个能够根据人类反馈来预测奖励的模型。它通常是一个分类器或回归模型,可以评估一个给定的动作或状态的好坏程度。通过训练奖励模型,可以将其作为代理(proxy)来代替人类反馈,从而用于后续的强化学习过程
-
构建奖励模型步骤:
-
数据收集:收集模型生成的结果及其对应的反馈。
-
数据预处理:对收集到的数据进行预处理,使其适用于训练奖励模型。
-
训练奖励模型:使用预处理后的数据训练一个能够预测奖励的模型。
-
评估奖励模型:评估奖励模型的性能,确保其能够准确地反映人类的偏好。
-
使用奖励模型:将训练好的奖励模型用于强化学习过程,指导模型学习最优策略
-
-
奖励模型的优点
-
更丰富的奖励信号:通过人类反馈,奖励模型可以提供比传统环境奖励更丰富和有意义的奖励信号。
-
更高的性能:奖励模型可以帮助模型更快地收敛到最优策略。
-
更好的解释性:奖励模型可以提高模型的解释性,帮助理解模型的行为。
-
-
奖励模型的挑战
-
数据收集成本:收集人类反馈数据需要耗费大量的人力和时间。
-
反馈一致性:不同人类的反馈可能会有差异,如何保证反馈的一致性是一个挑战。
-
模型泛化能力:如何确保奖励模型在新数据上的表现也是一个挑战
-