Перейти к содержимому

Выберите язык

Текущий язык: Русский

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.

Великолепно RLHF (RL с человеческой обратной связью)

Заголовок раздела «Великолепно RLHF (RL с человеческой обратной связью)»

Awesome visitor badge GitHub stars GitHub forks GitHub license

Это сборник исследовательских работ для ** Усиление обучения с человеческой обратной связью**RLHF). И хранилище будет постоянно обновляться, чтобы отслеживать границы RLHF.

Добро пожаловать и звезда!

Идея о RLHF Это использование методов обучения с подкреплением для прямой оптимизации языковой модели с обратной связью с человеком. RLHF Это позволило языковым моделям начать выравнивать модель, обученную на общем корпусе текстовых данных, с моделью сложных человеческих ценностей.

  • RLHF Для большой языковой моделиLLM)

image info

  • RLHF Видеоигры (например). Atari)

image info

** (Следующий раздел был создан автоматически) ChatGPT)**

RLHF Это, как правило, относится к «укреплению обучения с человеческой обратной связью». Reinforcement Learning (RL) - это тип машинного обучения, который включает в себя обучение агента принимать решения на основе обратной связи из окружающей среды. в RLHFАгент также получает обратную связь от людей в виде оценок или оценок его действий, которые могут помочь ему быстрее и точнее учиться.

RLHF Это активная область исследований в области искусственного интеллекта с приложениями в таких областях, как робототехника, игры и персонализированные системы рекомендаций. Она направлена на решение проблем RL в сценариях, где агент имеет ограниченный доступ к обратной связи от окружающей среды и требует участия человека для повышения своей производительности.

Усиление обучения с обратной связью с человеком (RLHF) является быстро развивающейся областью исследований в области искусственного интеллекта, и существует несколько передовых методов, которые были разработаны для повышения производительности. RLHF систем. Вот несколько примеров:

  • Inverse Reinforcement Learning (IRL): IRL Это метод, который позволяет агенту изучать функцию вознаграждения из обратной связи человека, а не полагаться на заранее определенные функции вознаграждения. Это позволяет агенту учиться на более сложных сигналах обратной связи, таких как демонстрация желаемого поведения.

  • Apprenticeship LearningОбучение ученичеству - это техника, которая объединяет IRL с контролируемым обучением, чтобы агент мог учиться как на отзывах людей, так и на демонстрациях экспертов. Это может помочь агенту учиться быстрее и эффективнее, так как он может учиться как на положительной, так и на отрицательной обратной связи.

  • Interactive Machine Learning (IML): IML Это метод, который предполагает активное взаимодействие между агентом и экспертом-человеком, позволяя эксперту предоставлять обратную связь о действиях агента в режиме реального времени. Это может помочь агенту учиться быстрее и эффективнее, так как он может получать обратную связь о своих действиях на каждом этапе процесса обучения.

  • Human-in-the-Loop Reinforcement Learning (HITLRL): HITLRL Это метод, который включает в себя интеграцию обратной связи человека в процесс RL на нескольких уровнях, таких как формирование вознаграждения, выбор действий и оптимизация политики. Это может способствовать повышению эффективности и результативности RLHF Система использует преимущества как людей, так и машин.

Вот несколько примеров обучения с подкреплением обратной связью с человеком.RLHF):

  • Game PlayingВ игре обратная связь с человеком может помочь агенту изучить стратегии и тактики, которые эффективны в различных сценариях игры. Например, в популярной игре Go специалисты-люди могут дать обратную связь агенту по его ходам, помогая ему улучшить свой геймплей и принятие решений.

  • Personalized Recommendation SystemsВ системах рекомендаций обратная связь с человеком может помочь агенту узнать предпочтения отдельных пользователей, что позволяет предоставлять персонализированные рекомендации. Например, агент может использовать отзывы пользователей о рекомендуемых продуктах, чтобы узнать, какие функции наиболее важны для них.

  • RoboticsВ робототехнике обратная связь с человеком может помочь агенту научиться безопасно и эффективно взаимодействовать с физической средой. Например, робот может научиться более быстро ориентироваться в новой среде с обратной связью от человека-оператора на лучшем пути или каких объектов избегать.

  • EducationВ образовании обратная связь с человеком может помочь агенту научиться более эффективно обучать студентов. Например, репетитор на основе ИИ может использовать обратную связь от учителей, на которых стратегии обучения лучше всего работают с разными студентами, помогая персонализировать опыт обучения.

Вы также можете Посетить эту ссылку Чтобы получить опыт чтения бумаги с ИИ.

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
    • Набор данных: stanfordnlp/sst2
    • Задача: Создание текста с позитивными чувствами
    • Среда: 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
    • Ключевое слово: Flexible, Efficient, RLHF framework
    • Задачи: RLHFРазумные задачи, включая математику и code.
  • OpenRLHF
    • OpenRLHF
    • Ключевое слово: 70B, RLHF, DeepSpeed, Ray, vLLM
    • Задача: Простой в использовании, масштабируемый и высокопроизводительный RLHF Framework (Поддержка полной настройки 70B + и LoRA & Mixtral & KTO).
  • Potato
    • David Jurgens et al.
    • Ключевое слово: Annotation, Human Evaluation, Quality Control, AI-Assisted Labeling
    • Задача: Портативная аннотационная платформа для оценки человека и сбора обратной связи с 20+ типами аннотаций и оценкой следов агента
  • PaLM + RLHF - Pytorch
    • Phil Wang, Yachine Zahidi, Ikko Eltociear Ashimine, Eric Alcaide
    • Ключевое слово: Transformers, PaLM architecture
    • Набор данных: enwik8
  • lm-human-preferences
    • Daniel M. Ziegler, Nisan Stiennon, Jeffrey Wu, Tom B. Brown, Alec Radford, Dario Amodei, Paul Christiano, Geoffrey Irving
    • Ключевое слово: Reward learning for language, Continuing text with positive sentiment, Summary task, Physical descriptive
    • Набор данных: TL;DR, CNN/DM
  • following-instructions-human-feedback
    • Long Ouyang, Jeff Wu, Xu Jiang, et al.
    • Ключевое слово: Large Language Model, Align Language Model with Human Intent
    • Набор данных: TruthfulQA RealToxicityPrompts
  • Transformer Reinforcement Learning (TRL)
    • Leandro von Werra, Younes Belkada, Lewis Tunstall, et al.
    • Ключевое слово: Train LLM with RL, PPO, Transformer
    • Задача: IMDB sentiment
  • Transformer Reinforcement Learning X (TRLX)
    • Jonathan Tow, Leandro von Werra, et al.
    • Ключевое слово: Distributed training framework, T5-based language models, Train LLM with RL, PPO, ILQL
    • Задача: Отличная настройка LLM с RL с использованием функции вознаграждения или набора данных с маркировкой вознаграждения
  • RL4LMs (A modular RL library to fine-tune language models to human preferences)
    • Rajkumar Ramamurthy, Prithviraj Ammanabrolu, Kianté,Brantley, Jack Hessel, Rafet Sifa, Christian Bauckhage, Hannaneh Hajishirzi, Yejin Choi
    • Ключевое слово: Optimizing language generators with RL, Benchmark, Performant RL algorithm
    • Набор данных: IMDB, CommonGen, CNN Daily Mail, ToTTo, WMT-16 (en-de), NarrativeQA, DailyDialog
  • LaMDA-rlhf-pytorch
    • Phil Wang
    • Ключевое слово: LaMDA, Attention-mechanism
    • Задача: Предварительная подготовка с открытым исходным кодом исследовательской работы Google LaMDA в PyTorch
  • TextRL
    • Eric Lam
    • Ключевое слово: huggingface’s transformer
    • Задача: Генерация текстов
    • Среда: PFRL, gym
  • minRLHF
    • Thomfoster
    • Ключевое слово: PPO, Minimal library
    • Задача: образовательные цели
  • DeepSpeed-Chat
    • Microsoft
    • Ключевое слово: Affordable RLHF Training
  • Dromedary
    • IBM
    • Ключевое слово: Minimal human supervision, Self-aligned
    • Задача: Автономная языковая модель, обученная с минимальным человеческим контролем
  • FG-RLHF
    • Zeqiu Wu, Yushi Hu, Weijia Shi, et al.
    • Ключевое слово: Fine-Grained RLHF, providing a reward after every segment, Incorporating multiple RMs associated with different feedback types
    • Задача: Фреймворк, который позволяет обучать и учиться на функциях вознаграждения, которые мелкозернистые по плотности и нескольким RM. -Safe-RLHF
    • Xuehai Pan, Ruiyang Sun, Jiaming Ji, et al.
    • Ключевое слово: Support popular pre-trained models, Large human-labeled dataset, Multi-scale metrics for safety constraints verification, Customized parameters
    • Задача: Сдержанная привязанность к ценности LLM Безопасный RLHF
  • VinePPO
    • Amirhossein Kazemnejad, Milad Aghajohari, et al.
    • Ключевое слово: Performant Implementation of RL algorithms for Reasoning, PPO, DPO, RestEM, Monte Carlo Value Estimation
    • Задача: Основные задачи, включая MATH и GSM8K
format:
- [title](dataset link) [links]
- author1, author2, and author3...
- keyword
- experiment environments or tasks
  • HH-RLHF
    • Ben Mann, Deep Ganguli
    • Ключевое слово: Human preference dataset, Red teaming data, machine-written
    • Задача: Набор данных с открытым исходным кодом для данных о предпочтениях человека о полезности и безвредности
  • Stanford Human Preferences Dataset(SHP)
    • Ethayarajh, Kawin and Zhang, Heidi and Wang, Yizhong and Jurafsky, Dan
    • Ключевое слово: Naturally occurring and human-written dataset,18 different subject areas
    • Задача: Предназначен для использования для обучения RLHF Модели вознаграждений
  • PromptSource
    • Stephen H. Bach, Victor Sanh, Zheng-Xin Yong et al.
    • Ключевое слово: Prompted English datasets, Mapping a data example into natural language
    • Задача: Инструментарий для создания, обмена и использования подсказок естественного языка
  • Structured Knowledge Grounding(SKG) Resources Collections
    • Tianbao Xie, Chen Henry Wu, Peng Shi et al.
    • Ключевое слово: Structured Knowledge Grounding
    • Задача: Сбор наборов данных связан со структурированным обоснованием знаний
  • The Flan Collection
    • Longpre Shayne, Hou Le, Vu Tu et al.
    • Задача: Коллекция компилирует наборы данных из Flan 2021, P3, супер-естественных инструкций
  • rlhf-reward-datasets
    • Yiting Xie
    • Ключевое слово: Machine-written dataset
  • webgpt_comparisons
    • OpenAI
    • Ключевое слово: Human-written dataset, Long form question answering
    • Задача: Тренируйте длинную модель ответа на вопросы в соответствии с предпочтениями человека
  • summarize_from_feedback
    • OpenAI
    • Ключевое слово: Human-written dataset, summarization
    • Задача: Обучите модель обобщения в соответствии с предпочтениями человека
  • Dahoas/synthetic-instruct-gptj-pairwise
    • Dahoas
    • Ключевое слово: Human-written dataset, synthetic dataset
  • Stable Alignment - Alignment Learning in Social Games
    • Ruibo Liu, Ruixin (Ray) Yang, Qiang Peng
    • Ключевое слово: Interaction data used for alignment training, Run in Sandbox
    • Задача: Поезд на записанных данных взаимодействия в смоделированных социальных играх
  • LIMA
    • Meta AI
    • Ключевое слово: without any RLHF, few carefully curated prompts and responses
    • Задача: Набор данных, используемый для обучения модели LIMA

Turkish

Наша цель - сделать этот репо еще лучше. Если вы заинтересованы в участии, пожалуйста, обратитесь к HERE Инструкции по вкладу.

Великолепно RLHF Выпускается под лицензией Apache 2.0.

HagiCode

HagiCode — агентная среда разработки. Насыщенные и удобные взаимодействия с интерфейсом делают планирование, работу агентов и проектные задачи понятными и доступными, превращая разработку в увлекательный процесс.

Насыщенные и удобные взаимодействия с интерфейсом помогают легче планировать, запускать агентов и вести проектную работу.

Перейти на HagiCodeЧитать документацию
  • УмныйРабочие процессы OpenSpec превращают намерение в исполнимый путь от предложения через дизайн и задачи до готового изменения.
  • ЭффективныйМультиагентное выполнение параллельно продвигает исследование, реализацию и проверку в нескольких репозиториях и с привычными Agent CLI.
  • ИнтересныйНасыщенные и удобные взаимодействия с интерфейсом делают планирование, работу агентов и проектные задачи понятными и доступными.

Скачать для Windows

Получить в Microsoft StoreВсе загрузки

Превращайте идеи в готовое ПО.

HagiCode — агентная среда разработки: рабочие процессы OpenSpec планируют изменение, мультиагентное выполнение его реализует, а Hero Scenario делает долгий путь наглядным, так что идеи становятся готовым ПО.

Умный
Рабочие процессы OpenSpec превращают намерение в путь от предложения до готового изменения.
Эффективный
Мультиагентное выполнение ведёт исследование, реализацию и проверку параллельно.
Увлекательный
Удобный интерфейс упрощает планирование, работу агентов и проектные задачи.

Покинуть Awesome Site?

Вы собираетесь перейти на внешний сайт. Мы не контролируем его содержимое и правила конфиденциальности.

Адрес назначения

Перейти на сайт