研究人员开发了一种新颖的两阶段框架,用于训练紧凑型指令遵循重排器,结合了离策略教师优化和在策略学生蒸馏。第一阶段使用LLM-judge反馈在88K个示例上通过离策略GRPO来增强一个4B教师重排器。第二阶段涉及一个1B学生重排器,它对自己的排名进行采样,并接收源自教师策略的软奖励,尤其是在分布偏移下提高了性能。与传统的蒸馏技术相比,该方法在MAIR-11和MAIR-Full基准测试上取得了优越的结果,甚至超过了已发布的RL训练重排器。 AI
影响 这项研究提供了一种更有效的方法来训练紧凑型AI重排器,有可能提高部署能力和在分布偏移下的性能。
排序理由 该集群包含一篇详细介绍新AI模型训练方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →