Prilagođavanje GPT modela (GPT Fine-Tuning)
Prilagođavanje GPT modela (GPT fine-tuning) prilagođava prethodno obučene autoregresivne jezične modele kao što su GPT-2/3/4 ili LLaMA — predstavljene u radu tvrtke OpenAI iz 2019. autora Radforda i suradnika — domenama specifičnim podacima ili praćenju uputa putem učenja s pojačanjem iz povratnih informacija ljudi (RLHF) ili DPO-a. Koristi se za praćenje uputa, prilagođavanje domeni i generativne zadatke.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). GPT Fine-Tuning and Instruction Adaptation. ScholarGate. https://scholargate.app/hr/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 i PEFTDuboko učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- Varijacijski autoenkoderDuboko učenje↔ compare
- Vision TransformerDuboko učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →