Dil Modellerini Genel Tercihlerle Hizalamak: Doğrudan Nash Optimizasyonunun Ampirik Bir Çalışması

Özetle: Doğrudan Nash Optimizasyonu (DNO), iki oyunculu bir tercih oyununun Nash dengesine yaklaşarak bir dil modelini genel bir tercih fonksiyonuna hizalar.

Özet

Doğrudan Nash Optimizasyonu (DNO), iki oyunculu bir tercih oyununun Nash dengesine yaklaşarak bir dil modelini genel bir tercih fonksiyonuna hizalar. Pratik versiyonu olan DNO-Prct, politikaya dayalı örneklemeyi, bir öğretmenin altın yanıtıyla birlikte örneklerin LLM tabanlı derecelendirmesini, geniş marjlı tercih çifti seçimini ve DPO tarzı karşılaştırmalı güncellemeyi yineler. DNO-Prct'yi bağımsız olarak yeniden uyguluyoruz ve GPT-4o veya açıklayıcıyla aynı aileden daha büyük bir açık ağırlık modeliyle Llama 3.1 8B Instruct ve Mistral 7B Instruct v0.1 olmak üzere iki açık ağırlıklı talimat modeli üzerinde çalışıyoruz. GPT-4o'nun hakem olduğu AlpacaEval 2.0'da üç yineleme, GPT-4o'ya karşı uzunluk kontrollü (LC) kazanma oranını Llama için %31,7'den %45,3'e ve Mistral için %6,8'den %18,4'e yükseltir ve ayarlanan 8B modeli, Llama 3.1'in üzerinde puan alır 70B Rapor edilen her kazanma oranı hakkında talimat verin. Aynı aileden açık ağırlıklı açıklayıcılarla çalıştırmalar, açıklayıcı olarak GPT-4o ile elde edilen LC kazancının %62'sini (Llama) ve %82'sini (Mistral) korur, dolayısıyla derecelendirme adımı özel bir model gerektirmez. Ayrı bir ablasyon konfigürasyonunda, altın yanıtlarını kaldıran, geriye dönük veri incelemesini kaldıran veya yalnızca öğretmen tarafından tercih edilen çiftleri kabul eden varyantlar, tüm prosedürün 6 ila 10 LC puanı altında puan alırken, istem başına politikaya ilişkin örnek sayısını değiştirmek (1 ila 7), LC kazanma oranını en fazla 2,1 puan artırır ve bir marj taraması (1 ila 5), ​​kendi hattında en fazla 2,4 puan artırır. Ayrıca boru hattının maliyetini ve pratik algoritmanın yaklaştığı teoriden nerede saptığını da rapor ediyoruz. Tüm sonuçlar tek seferliktir ve GPT-4o hem öğretmen hem de değerlendirme yargıcıdır; Bunun rapor edilen kazanımlar açısından ne anlama geldiğini tartışıyoruz.

Orijinal Özet (İngilizce)

Direct Nash Optimization (DNO) aligns a language model to a general preference function by approximating the Nash equilibrium of a two-player preference game. Its practical variant, DNO-Prct, iterates on-policy sampling, LLM-based rating of the samples together with a teacher's gold response, large-margin preference-pair selection and a DPO-style contrastive update. We re-implement DNO-Prct independently and study it on two open-weight instruct models, Llama 3.1 8B Instruct and Mistral 7B Instruct v0.1, with GPT-4o or a larger open-weight model of the same family as the annotator. On AlpacaEval 2.0 with GPT-4o as judge, three iterations raise the length-controlled (LC) win rate against GPT-4o from 31.7% to 45.3% for Llama and from 6.8% to 18.4% for Mistral, and the tuned 8B model scores above Llama 3.1 70B Instruct on every reported win rate. With same-family open-weight annotators, the runs retain 62% (Llama) and 82% (Mistral) of the LC gain achieved with GPT-4o as annotator, so the rating step does not require a proprietary model. In a separate ablation configuration, variants that remove the gold responses, remove the data look-back, or accept only teacher-preferred pairs score 6 to 10 LC points below the full procedure, whereas varying the number of on-policy samples per prompt (1 to 7) moves the LC win rate by at most 2.1 points, and a margin sweep (1 to 5) run in its own pipeline by at most 2.4 points. We also report the cost of the pipeline and where the practical algorithm departs from the theory it approximates. All results are single runs, and GPT-4o is both the teacher and the evaluation judge; we discuss what this implies for the reported gains.

Kaynak: arXiv:2611.05373 · PDF