Ir al contenido

Seleccionar idioma

Idioma actual: Español (España)

RLHF

Source: https://github.com/opendilab/awesome-RLHF at 96acdd4571e7
License: Apache-2.0
Read the English original

This edition is an AI-assisted translation.

Impresionante RLHF (RL con Comentarios Humanos)

Sección titulada «Impresionante RLHF (RL con Comentarios Humanos)»

Awesome visitor badge GitHub stars GitHub forks GitHub license

Esta es una colección de documentos de investigación para Aprendizaje de Reforzamiento con Retroalimentación Humana (Aprendizaje de Retroalimentación Humana**)RLHF). Y el repositorio será continuamente actualizado para rastrear la frontera RLHF.

¡Bienvenido a seguir y estrella!

La idea de RLHF es utilizar métodos desde el aprendizaje de refuerzo para optimizar directamente un modelo de lenguaje con retroalimentación humana. RLHF ha permitido que los modelos lingüísticos comiencen a alinear un modelo formado sobre un corpus general de datos de texto al de valores humanos complejos.

  • RLHF para el modelo de lenguaje grande (LLM)

image info

  • RLHF para el juego de vídeo (por ejemplo. Atari)

image info

(La siguiente sección fue generada automáticamente por ChatGPT)

RLHF típicamente se refiere a “Aprendizaje de Refuerzo con Retroalimentación Humana”. Reinforcement Learning (RL) es un tipo de aprendizaje automático que implica la formación de un agente para tomar decisiones basadas en la retroalimentación de su entorno. In RLHF, el agente también recibe retroalimentación de los humanos en forma de calificaciones o evaluaciones de sus acciones, lo que puede ayudar a aprender más rápidamente y con precisión.

RLHF es un área de investigación activa en inteligencia artificial, con aplicaciones en campos como robótica, juegos y sistemas de recomendación personalizados. Se trata de abordar los desafíos de la RL en escenarios donde el agente tiene acceso limitado a la retroalimentación del medio ambiente y requiere la aportación humana para mejorar su rendimiento.

Reforzamiento Aprendizaje con Retroalimentación HumanaRLHF) es un área de desarrollo rápido de la investigación en inteligencia artificial, y hay varias técnicas avanzadas que se han desarrollado para mejorar el rendimiento de RLHF sistemas. Estos son algunos ejemplos:

  • Inverse Reinforcement Learning (IRL): IRL es una técnica que permite al agente aprender una función de recompensa de la retroalimentación humana, en lugar de depender de funciones de recompensa predefinidas. Esto hace posible que el agente aprenda de señales de retroalimentación más complejas, como demostraciones de comportamiento deseado.

  • Apprenticeship Learning: El aprendizaje de aprendizaje es una técnica que combina IRL con el aprendizaje supervisado para que el agente pueda aprender tanto de la retroalimentación humana como de las demostraciones expertas. Esto puede ayudar al agente a aprender más rápido y eficazmente, ya que es capaz de aprender tanto de la retroalimentación positiva como negativa.

  • Interactive Machine Learning (IML): IML es una técnica que implica la interacción activa entre el agente y el experto humano, permitiendo al experto proporcionar información sobre las acciones del agente en tiempo real. Esto puede ayudar al agente a aprender más rápido y eficientemente, ya que puede recibir comentarios sobre sus acciones en cada paso del proceso de aprendizaje.

  • Human-in-the-Loop Reinforcement Learning (HITLRL): HITLRL es una técnica que implica la integración de la retroalimentación humana en el proceso RL en múltiples niveles, como la configuración de recompensas, la selección de acciones y la optimización de políticas. Esto puede ayudar a mejorar la eficiencia y eficacia de la RLHF sistema aprovechando las fortalezas de humanos y máquinas.

He aquí algunos ejemplos de Aprendizaje de Reforzamiento con Retroalimentación Humana (Aprendizaje con Retroalimentación Humana)RLHF):

  • Game Playing: En juego, la retroalimentación humana puede ayudar al agente a aprender estrategias y tácticas que son eficaces en diferentes escenarios de juego. Por ejemplo, en el popular juego de Go, los expertos humanos pueden proporcionar retroalimentación al agente en sus movimientos, ayudando a mejorar su juego y toma de decisiones.

  • Personalized Recommendation Systems: En sistemas de recomendación, la retroalimentación humana puede ayudar al agente a aprender las preferencias de los usuarios individuales, haciendo posible proporcionar recomendaciones personalizadas. Por ejemplo, el agente podría utilizar la retroalimentación de los usuarios sobre los productos recomendados para aprender qué características son más importantes para ellos.

  • Robotics: En robótica, la retroalimentación humana puede ayudar al agente a aprender a interactuar con el entorno físico de una manera segura y eficiente. Por ejemplo, un robot podría aprender a navegar un nuevo entorno más rápidamente con la retroalimentación de un operador humano en el mejor camino a tomar o qué objetos a evitar.

  • Education: En la educación, la retroalimentación humana puede ayudar al agente a aprender a enseñar a los estudiantes más eficazmente. Por ejemplo, un tutor con base en AI podría utilizar comentarios de los maestros sobre los cuales las estrategias de enseñanza funcionan mejor con diferentes estudiantes, ayudando a personalizar la experiencia de aprendizaje.

También puede visite este enlace para obtener una experiencia de lectura de papel mejorada por AI.

format:
- [title](paper link) [links]
- author1, author2, and author3...
- publisher
- keyword
- code
- experiment environments and datasets
format:
- [title](codebase link) [links]
- author1, author2, and author3...
- keyword
- experiment environments, datasets or tasks
  • Reinforcement Learning from Human Feedback (RLHF) in Notebooks
    • Ashwani Kumar
    • step-by-step, Video tutorial, Jupyter notebooks, GPT-2, Reward Model, PPO, Pedagogical
    • Conjunto de datos: stanfordnlp/sst2
    • Tarea: Generar texto con sentimiento positivo
    • Entorno: Google Colab
  • veRL: Volcano Engine Reinforcement Learning for LLM
    • ByteDance Seed MLSys Team & HKU: Guangming Sheng, Chi Zhang, Zilingfeng Ye, Xibin Wu, Wang Zhang, Ru Zhang, Yanghua Peng, Haibin Lin, Chuan Wu
    • Palabra clave: Flexible, Efficient, RLHF framework
    • Tareas: RLHF, Reasoning tasks including math and code.
  • OpenRLHF
    • OpenRLHF
    • Palabra clave: 70B, RLHF, DeepSpeed, Ray, vLLM
    • Tarea: Un rendimiento fácil de usar, escalable y de alto rendimiento RLHF Marco (Apoyo 70B+ afinación completa ” LoRA & Mixtral ” ).
  • Potato
    • David Jurgens et al.
    • Palabra clave: Annotation, Human Evaluation, Quality Control, AI-Assisted Labeling
    • Tarea: Plataforma de anotación portátil para la evaluación humana y la recogida de comentarios con 20+ tipos de anotación y evaluación de trazas de agente
  • PaLM + RLHF - Pytorch
    • Phil Wang, Yachine Zahidi, Ikko Eltociear Ashimine, Eric Alcaide
    • Palabra clave: Transformers, PaLM architecture
    • Conjunto de datos: enwik8
  • lm-human-preferences
    • Daniel M. Ziegler, Nisan Stiennon, Jeffrey Wu, Tom B. Brown, Alec Radford, Dario Amodei, Paul Christiano, Geoffrey Irving
    • Palabra clave: Reward learning for language, Continuing text with positive sentiment, Summary task, Physical descriptive
    • Conjunto de datos: TL;DR, CNN/DM
  • following-instructions-human-feedback
    • Long Ouyang, Jeff Wu, Xu Jiang, et al.
    • Palabra clave: Large Language Model, Align Language Model with Human Intent
    • Conjunto de datos: TruthfulQA RealToxicityPrompts
  • Transformer Reinforcement Learning (TRL)
    • Leandro von Werra, Younes Belkada, Lewis Tunstall, et al.
    • Palabra clave: Train LLM with RL, PPO, Transformer
    • Tarea: IMDB sentiment
  • Transformer Reinforcement Learning X (TRLX)
    • Jonathan Tow, Leandro von Werra, et al.
    • Palabra clave: Distributed training framework, T5-based language models, Train LLM with RL, PPO, ILQL
    • Tarea: Ajuste fino LLM con RL utilizando función de recompensa proporcionada o conjunto de datos etiquetados con recompensa
  • RL4LMs (A modular RL library to fine-tune language models to human preferences)
  • LaMDA-rlhf-pytorch
    • Phil Wang
    • Palabra clave: LaMDA, Attention-mechanism
    • Tarea: Aplicación pre-entrenamiento de código abierto del documento de investigación LaMDA de Google en PyTorch
  • TextRL
    • Eric Lam
    • Palabra clave: huggingface’s transformer
    • Tarea: Generación de texto
    • Entorno: PFRL, gym
  • minRLHF
    • Thomfoster
    • Palabra clave: PPO, Minimal library
    • Tarea: fines educativos
  • DeepSpeed-Chat
    • Microsoft
    • Palabra clave: Affordable RLHF Training
  • Dromedary
    • IBM
    • Palabra clave: Minimal human supervision, Self-aligned
    • Tarea: Modelo de idioma autoalineado formado con supervisión humana mínima
  • FG-RLHF
    • Zeqiu Wu, Yushi Hu, Weijia Shi, et al.
    • Palabra clave: Fine-Grained RLHF, providing a reward after every segment, Incorporating multiple RMs associated with different feedback types
    • Tarea: Un marco que permite el entrenamiento y el aprendizaje de funciones de recompensa que son finas en densidad y múltiples RMs -Safe-RLHF
    • Xuehai Pan, Ruiyang Sun, Jiaming Ji, et al.
    • Palabra clave: Support popular pre-trained models, Large human-labeled dataset, Multi-scale metrics for safety constraints verification, Customized parameters
    • Tarea: Constrained Value-Alineados LLM via Safe RLHF
  • VinePPO
    • Amirhossein Kazemnejad, Milad Aghajohari, et al.
    • Palabra clave: Performant Implementation of RL algorithms for Reasoning, PPO, DPO, RestEM, Monte Carlo Value Estimation
    • Tarea: Tareas de resonancia incluyendo MATH y GSM8K
format:
- [title](dataset link) [links]
- author1, author2, and author3...
- keyword
- experiment environments or tasks
  • HH-RLHF
    • Ben Mann, Deep Ganguli
    • Palabra clave: Human preference dataset, Red teaming data, machine-written
    • Tarea: Conjunto de datos de código abierto para los datos de preferencias humanas sobre la ayuda y la inofensividad
  • Stanford Human Preferences Dataset(SHP)
    • Ethayarajh, Kawin and Zhang, Heidi and Wang, Yizhong and Jurafsky, Dan
    • Palabra clave: Naturally occurring and human-written dataset,18 different subject areas
    • Tarea: Intended to be used for training RLHF modelos de recompensa
  • PromptSource
    • Stephen H. Bach, Victor Sanh, Zheng-Xin Yong et al.
    • Palabra clave: Prompted English datasets, Mapping a data example into natural language
    • Tarea: Herramienta para crear, compartir y utilizar impulsos de lenguaje natural
  • Structured Knowledge Grounding(SKG) Resources Collections
    • Tianbao Xie, Chen Henry Wu, Peng Shi et al.
    • Palabra clave: Structured Knowledge Grounding
    • Tarea: La recopilación de conjuntos de datos se relaciona con la estructura de los conocimientos
  • The Flan Collection
    • Longpre Shayne, Hou Le, Vu Tu et al.
    • Tarea: Colección compila conjuntos de datos de Flan 2021, P3, Instrucciones Super-Naturales
  • rlhf-reward-datasets
    • Yiting Xie
    • Palabra clave: Machine-written dataset
  • webgpt_comparisons
    • OpenAI
    • Palabra clave: Human-written dataset, Long form question answering
    • Tarea: Capacitar un modelo de respuesta de preguntas de forma larga para alinearse con las preferencias humanas
  • summarize_from_feedback
    • OpenAI
    • Palabra clave: Human-written dataset, summarization
    • Tarea: Capacitar un modelo de resumen para alinearse con las preferencias humanas
  • Dahoas/synthetic-instruct-gptj-pairwise
    • Dahoas
    • Palabra clave: Human-written dataset, synthetic dataset
  • Stable Alignment - Alignment Learning in Social Games
    • Ruibo Liu, Ruixin (Ray) Yang, Qiang Peng
    • Palabra clave: Interaction data used for alignment training, Run in Sandbox
    • Tarea: Tren en los datos de interacción registrados en los juegos sociales simulados
  • LIMA
    • Meta AI
    • Palabra clave: without any RLHF, few carefully curated prompts and responses
    • Tarea: Dataset utilizado para la formación del modelo LIMA

Turkish

Nuestro propósito es hacer este repo aún mejor. Si usted está interesado en contribuir, consulte HERE para instrucciones en contribución.

Impresionante RLHF se libera bajo la licencia Apache 2.0.

HagiCode

HagiCode es un espacio de programación con agentes. Las interacciones de interfaz, ricas y cómodas, hacen que planificar, ejecutar agentes y trabajar en proyectos sea accesible y fácil de seguir, para una experiencia de desarrollo atractiva.

Una experiencia de desarrollo atractiva gracias a interacciones de interfaz ricas y cómodas.

Visitar HagiCodeLeer la documentación
  • InteligenteLos flujos de trabajo de OpenSpec convierten la intención en un itinerario ejecutable, de la propuesta al diseño, las tareas y la entrega.
  • EficienteLa ejecución multiagente avanza en paralelo con la investigación, la implementación y la revisión, en varios repositorios y con los Agent CLI que ya usas.
  • InteresanteLas interacciones de interfaz, ricas y cómodas, hacen que planificar, ejecutar agentes y trabajar en proyectos sea accesible y fácil de seguir.

Descargar para Windows

Obtenerlo en Microsoft StoreTodas las descargas

Convierte ideas en software entregado.

HagiCode es un espacio de trabajo de programación con agentes: los flujos de trabajo de OpenSpec planifican el cambio, la ejecución multiagente lo lleva a cabo y Hero Scenario hace visible el largo recorrido, para convertir ideas en software entregado.

Inteligente
Los flujos de OpenSpec convierten la intención en un camino de la propuesta a la entrega.
Eficiente
La ejecución multiagente avanza en paralelo con investigación, implementación y revisión.
Divertido
Las interacciones de interfaz facilitan la planificación, los agentes y el trabajo en proyectos.

¿Salir de Awesome Site?

Estás a punto de visitar un sitio web externo. No controlamos su contenido ni sus prácticas de privacidad.

Destino

Continuar al sitio web