AIGC動態(tài)歡迎閱讀

原標題：4訓，Llama 7B擊敗GPT-4！Meta等讓LLM「分飾三角」自評自進化
關鍵字：模型,長度,數(shù)據(jù),人類,評價
文章來源：新智元
內(nèi)容字數(shù)：0字

內(nèi)容摘要：

新智元報道編輯：編輯部
【新智元導讀】Meta、UC伯克利、NYU共同提出元獎勵語言模型，給「超級對齊」指條明路：讓AI自己當裁判，自我改進對齊，效果秒殺自我獎勵模型。LLM對數(shù)據(jù)的大量消耗，不僅體現(xiàn)在預訓練語料上，還體現(xiàn)在RLHF、DPO等對齊階段。
后者不僅依賴昂貴的人工標注數(shù)據(jù)，而且很可能讓人類水平限制LLM的進一步發(fā)展。
今年1月，Meta和NYU的團隊就提出了語言模型的自我獎勵機制，使用LLM-as-a-Judge的提示機制，讓模型在訓練期間進行自我反饋。
論文地址：https://arxiv.org/abs/2401.10020
論文發(fā)現(xiàn)，即使不依靠人類標注者，LLM也能通過評價自己的響應實現(xiàn)性能提升。
最近，這個團隊又發(fā)表了一篇研究，將LLM「自我獎勵」這件事情再拔高了一個層次。
論文地址：https://arxiv.org/abs/2407.19594
畢竟是自己給自己打分，因此不能只關注模型作為actor如何從反饋中優(yōu)化，也需要保證模型作為judge具備優(yōu)秀的自我評價能力。
之前的研究就因為過于關注前者而忽略后者，造成了迭代訓練期間性能的過快飽和。
甚至，還有可能造

原文鏈接：4訓，Llama 7B擊敗GPT-4！Meta等讓LLM「分飾三角」自評自進化

聯(lián)系作者

文章來源：新智元
作者微信：
作者簡介：