正在加载模式…
🎲
优势比偏好优化(ORPO)
一种无需参考模型的偏好对齐方法，在针对被选中回复的语言建模目标之外，为被拒绝的回复添加优势比惩罚项
复杂度: high学习与适应
30秒速览
- 是什么
- 在被选中的回复上训练模型，同时通过优势比损失惩罚被拒绝的回复，完全省去参照模型。
- 何时使用
- 你有成对的偏好数据，希望在不维护单独参照模型的前提下，实现更快、更省成本的对齐。
- 注意
- 若 lambda 调校不当，优势比惩罚会破坏训练稳定性；需要细致的超参数搜索以避免能力退化。
向AI专家咨询此模式
打开助手并预填您的问题,发送前可先确认。
优势比偏好优化: 概览
一种无需参考模型的偏好对齐方法，在针对被选中回复的语言建模目标之外，为被拒绝的回复添加优势比惩罚项
- Reference-model-free training
- Chosen-response SFT objective
- Odds-ratio preference penalty
- Single training phase
- Paired preference data
- Preference and capability evaluation
The Agent Architect
每周一个模式、一个权衡、一个生产事故案例。为构建智能体系统的人准备的每周简报。
每周一封邮件,一键退订。您的地址仅用于发送简报。
参考资料
该模式所依据的论文、规范和代码仓库。
由本目录背后的工程师执行
为你的智能体架构做一次评审
本页讲的是一个模式。真实系统会同时跑几十个，而多数故障恰恰出在它们的衔接处。我们按本目录的 288 个模式评审你的整体设计：架构、可靠性、评测与成本，每一条结论都对应到能修复它的模式。
€750（原价 €1,500），一周交付，书面报告加讲解通话，9月30日前