一篇新发表在arXiv上的研究文章质疑了在语言模型训练中使用密集奖励的有效性,特别是在GRPO算法中。研究人员发现,虽然密集奖励旨在对中间步骤进行评分,但它们会消耗大量的计算资源,在他们的实验中,仅续写就占了生成代币的91%。在匹配计算协议下,将密集奖励与标准GRPO进行比较时,密集奖励方法表现更差,一种变体在相同代币数量下得分低了14.3个百分点,在相同训练时间下低了7.8个百分点。该研究表明,应在匹配计算下验证训练干预措施,以准确评估其收益。 AI
影响 提出了一种更有效、更准确的评估人工智能训练技术的方法,可能影响未来的模型开发。
排序理由 学术论文,详细介绍了评估人工智能训练干预措施的新方法。[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 →