ترجمه فارسی مقاله فارسی بهینه‌سازی ترجیحات لنگر انداخته شده و اصلاحات مقابله‌ای: پرداختن به عدم تعیین دقیق در هم‌ترازی

چکیده

Large Language Models (LLMs) are often aligned using contrastive alignment objectives and preference pair datasets. The interaction between model, paired data, and objective makes alignment a complicated procedure, sometimes producing subpar results. We study this and find that (i) preference data gives a better learning signal when the underlying responses are contrastive, and (ii) alignment objectives lead to better performance when they specify more control over the model during training. Based on these insights, we introduce Contrastive Learning from AI Revisions (CLAIR), a data-creation method which leads to more contrastive preference pairs, and Anchored Preference Optimization (APO), a controllable and more stable alignment objective. We align Llama-3-8B-Instruct using various comparable datasets and alignment objectives and measure MixEval-Hard scores, which correlate highly with human judgments. The CLAIR preferences lead to the strongest performance out of all datasets, and APO consistently outperforms less controllable objectives. Our best model, trained on 32K CLAIR preferences with APO, improves Llama-3-8B-Instruct by 7.65%, closing the gap with GPT4-turbo by 45%. Our code is available at https://github.com/ContextualAI/CLAIR_and_APO.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان (LLMS) اغلب با استفاده از اهداف تراز متضاد و مجموعه داده های جفت اولویت تراز می شوند.تعامل بین مدل ، داده های زوج و هدف ، تراز را به یک روش پیچیده تبدیل می کند و گاهی اوقات نتایج Subpar را تولید می کند.ما این را مطالعه می کنیم و می دانیم که (i) داده های اولویت هنگامی که پاسخ های اساسی متضاد هستند ، سیگنال یادگیری بهتری می بخشد ، و (ب) اهداف تراز منجر به عملکرد بهتر می شوند وقتی که کنترل بیشتری بر مدل در طول آموزش نشان می دهند.بر اساس این بینش ها ، ما یادگیری متضاد از تجدید نظر در مورد AI (CLAIR) ، یک روش ایجاد داده را معرفی می کنیم که منجر به جفت ترجیح متضاد تر و بهینه سازی ترجیح لنگر (APO) می شود ، یک هدف تراز قابل کنترل و پایدار تر.ما با استفاده از مجموعه داده های مختلف قابل مقایسه و اهداف تراز ، Llama-3-8B را تراز می کنیم و نمرات مخلوط سخت را اندازه گیری می کنیم ، که بسیار با قضاوت های انسانی ارتباط دارد.ترجیحات CLAIR منجر به قوی ترین عملکرد از همه مجموعه داده ها می شود و APO به طور مداوم از اهداف قابل کنترل کمتری برخوردار است.بهترین مدل ما ، که بر روی ترجیحات 32K Clair با APO آموزش دیده است ، به صورت مجوز Llama-3-8B با 7.65 ٪ بهبود می یابد و این شکاف را با GPT4-توربو 45 ٪ بسته می کند.کد ما در https://github.com/contextualai/clair_and_apo در دسترس است.