GPT fino-podešavanje
GPT fino-podešavanje prilagođava prethodno obučene autoregresivne jezičke modele kao što su GPT-2/3/4 ili LLaMA — predstavljene u radu OpenAI-ja iz 2019. od strane Radforda i kolega — domen-specifičnim podacima ili praćenju instrukcija putem učenja sa pojačanjem na osnovu povratnih informacija od ljudi (RLHF) ili DPO. Koristi se za praćenje instrukcija, adaptaciju domena i generativne zadatke.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
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/sr/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 šumaMašinsko učenje↔ compare
- Varijacioni autoenkoderDuboko učenje↔ compare
- Vision TransformerDuboko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →