一篇新的研究论文探讨了与Group Relative Policy Optimization (GRPO) 相比,On-Policy Distillation (OPD) 在训练大型语言模型时的计算效率。虽然在使用外部教师时,GRPO在每训练FLOPs的准确率方面通常优于OPD,但OPD在自行训练检查点时表现出显著的效率提升,需要更少的FLOPs即可达到可比的准确率。研究还强调,多教师OPD可以将专门的GRPO模型整合到一个学生模型中,以显著降低总训练计算量的方式实现高性能。 AI
影响 这项研究可能带来更具计算效率的大型语言模型训练方法,从而降低人工智能开发的成本和环境影响。
排序理由 详细介绍LLM训练新方法的论文。[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 →