一篇新论文介绍了一种名为On-Policy Self-Training (O-ST) 的方法,该方法允许一个700亿参数的模型在没有外部数据的情况下,从自身生成的输出和推理轨迹中学习。据报道,这种自训练方法比传统的基于人类反馈的强化学习(RLHF)表现更好,并已促使Azure AI和Google Cloud Vertex等主要云服务提供商推出早期测试版功能。该技术在推理任务方面显示出显著的进步,并通过消除外部数据许可和处理的需求,提供了成本和隐私方面的优势。 AI
影响 这种自训练方法可能会显著降低微调LLM的成本和复杂性,从而可能加速企业的采用。
排序理由 该集群描述了一项新的算法创新和研究论文,详细介绍了一种新颖的LLM自训练方法。[lever_c_demoted from research: ic=1 ai=1.0]
- 2610.32770v1
- 70-billion-parameter model
- A100
- Anthropic
- arXiv
- Internal Revenue Service
- Llama 2
- On-Policy Self-Training
- reinforcement learning from human feedback
- Self-Policy Loop
- Vertex AI
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →