Finjustering av GPT
GPT-finjustering anpassar förtränade autoregressiva språkmodeller som GPT-2/3/4 eller LLaMA – introducerade i OpenAIs arbete från 2019 av Radford och kollegor – till domänspecifik data eller till instruktionsföljning via förstärkningsinlärning från mänsklig återkoppling (RLHF) eller DPO. Den används för instruktionsföljning, domänanpassning och generativa uppgifter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). GPT Fine-Tuning and Instruction Adaptation. ScholarGate. https://scholargate.app/sv/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 och PEFTDjupinlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
- Vision TransformerDjupinlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →