CN117668153B 大模型在線推理與訓練一體化方法及系統 （吳東）_第1頁
CN117668153B 大模型在線推理與訓練一體化方法及系統 （吳東）_第2頁
CN117668153B 大模型在線推理與訓練一體化方法及系統 （吳東）_第3頁
CN117668153B 大模型在線推理與訓練一體化方法及系統 （吳東）_第4頁
CN117668153B 大模型在線推理與訓練一體化方法及系統 （吳東）_第5頁
已閱讀5頁，還剩19頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

本申請涉及一種大模型在線推理與訓練一回復結果是否存在糾正情況；在存在糾正情況用在線SFT和RLHF分別對微調模型進行監督微調申請通過將用戶輸入數據和微調模型的回復結2在存在所述糾正情況時，將相應的所述用戶輸入數據和所述模獲取所述消息中間件的訓練數據，并利用在線SFT和RLHF分別對所述微調模型進行監在對微調模型進行在線訓練之前，實時監聽消息中間件中將所述用戶輸入指令和文本輸入所述微調模型進行多輪對話SFT對所述微調模型進行監督微調時，所述在線SFT的訓練數據包括SFT數據和預先標注的其中，所述SFT數據基于所述用戶輸入指令文本和所述模型回復結果中對應的糾正語8.一種系統，用于實現上述權利要求1_7中任一項所述的大模型在線推理與訓練一體數據存儲模塊，在存在所述糾正情況時，將相應的所述用戶3其中，所述處理器被配置為執行所述可執行指令時實現權利述計算機程序指令被處理器執行時實現權利要求1至7中任意一項所述的大模型在線推理4包括監督微調模型訓練、符合人類偏好的強化模型訓練和推理部署。具體的如附圖1_3所[0004]為了解決上述問題，本申請提出一種大模型在線推理與[0009]獲取所述消息中間件的訓練數據，并利用在線SFT和RLHF分別對所述微調模型進[0015]其中，所述SFT數據基于所述用戶輸入指令文本和所述模型回復結果中對應的糾56[0038]包含在說明書中并且構成說明書的一部分的附圖與說明書一起示出了本公開的所說明的任何實施例不必解釋為優于或好于其它實和在線符合人類偏好強化模型訓練數據，相應的利用在線SFT和RLHF對微調模型進行監督7述消息中間件的訓練數據，并利用在線SFT和RLHF分別對所述微調模型進行監督微調及強數據基于所述用戶輸入指令文本和所述模型回復結果中對應的糾正語義組合得到。[0064]將存在糾正情況的對話，即用戶輸入的原始提問和模型修正后的答案組合成SFT89是在線訓練數據混合4倍數量隨機采樣的標注數據，訓練目標是最大化chosen回復和[0098]本實施例中，對微調模型參數的調整，借鑒梯度提升樹(GradientBoosting[0099]原始模型輸出為[0.1,0.2,0.3,0.2,0.2],[0100]旁路模型1輸出為[0.2,0.1,0.3,0.1,0.0],[0101]疊加向量為[0.3,0.3,0.6,0.3,0.2],[0104]根據結果向量和期望結果向量計算得到的在線訓練loss反向傳播至當前旁路模[0.28,_0.09,_0.05,_0.09,_0.05]便十分接近目標訓練如70億甚至1760億以上的完整原始模型減少為只需要調整參數量在億甚至千萬級的閃存儲器(FlashMemory)、硬盤(HardDiskDrive，縮寫：HDD)或固態硬盤(Solid_[0127]本公開實施例來控制系統包括處理器以及用于存儲處理器可執行指令的存儲域的其它普通技術人員能理解本文披

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論