研究人员开发了G2D,一个三阶段流水线,结合了GRPO和DPO,以更有效地对语言模型进行离线偏好优化。该方法包括简短的GRPO预热,然后构建静态偏好数据集,最后用DPO进行微调。在Qwen2.5-7B和Llama-3.1-8B模型上的实验表明,G2D通过关注偏好数据的有效性而非仅仅数量,能够以显著降低的计算成本匹配或超越完全在线GRPO的性能。 AI
影响 通过提高数据有效性,为语言模型训练提供了比在线强化学习更节省计算资源的选择。
排序理由 该集群包含一篇详细介绍语言模型优化新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →