GPT Finjustering
GPT finjustering tilpasser forudtrænede autoregressive sprogmodeller som GPT-2/3/4 eller LLaMA — introduceret i OpenAI's arbejde fra 2019 af Radford og kolleger — til domænespecifikke data eller til instruktionsfølgning via forstærkningslæring fra menneskelig feedback (RLHF) eller DPO. Den bruges til instruktionsfølgning, domænetilpasning og generative opgaver.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Radford, A., Wu, J., Child, R., Luan, D., Amodei, D. & Sutskever, I. (2019). Language Models are Unsupervised Multitask Learners. OpenAI Technical Report. link ↗
- Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback. NeurIPS. DOI: 10.48550/arXiv.2203.02155 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). GPT Fine-Tuning and Instruction Adaptation. ScholarGate. https://scholargate.app/da/deep-learning/gpt-finetuning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- LoRA og PEFTDyb læring↔ compare
- Random ForestMaskinlæring↔ compare
- Variational AutoencoderDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →