网站站群建设,百度热门关键词排名,温州网络科技有限公司,施工企业资质等级承包范围最新版文章目录Abstract
给定人类的命令#xff0c;并且用人工标注想要的结果#xff0c;构成数据集#xff0c;使用监督学习来微调GPT-3。
然后#xff0c;我们对模型输出进行排名#xff0c;构成新的数据集#xff0c;我们利用强化学习来进一步微调这个监督模型。
我们把产…
文章目录Abstract
给定人类的命令并且用人工标注想要的结果构成数据集使用监督学习来微调GPT-3。
然后我们对模型输出进行排名构成新的数据集我们利用强化学习来进一步微调这个监督模型。
我们把产生的模型称为InstructGPT。 Starting with a set of labeler-written prompts and prompts submitted through the OpenAI API, we collect a dataset of labeler demonstrations of the desired model behavior, which we use to fine-tune GPT-3 using supervised learning. We then collect a dataset of rankings of model outputs, which we use to further fine-tune this supervised model using reinforcement learning from human feedback. We call the resulting models InstructGPT. 具体实施的三个步骤
手动选择一些问题并手动给出答案以这个数据集来训练SFT模型。让训练好的SFT模型回答一些问题人工对答案进行评分排序然后用这部分数据集来训练奖励模型RM。根据奖励模型RM的评分结果继续优化SFT模型。 结果
InstructGPT的参数是GPT-3的1/100但是性能更好。同时InstructGPT在可信性和减少有害的输出上更好。 In human evaluations on our prompt distribution, outputs from the 1.3B parameter InstructGPT model are preferred to outputs from the 175B GPT-3, despite having 100x fewer parameters. Moreover, InstructGPT models show improvements in truthfulness and reductions in toxic output generation while having minimal performance regressions on public NLP datasets. 文章链接https://arxiv.org/pdf/2203.02155.pdf
