龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：浙江实在智能科技有限公司
申请日：2024-04-29
公开（公告）日：2024-05-28
公开（公告）号：CN118095402A
主分类号：G06N3/092
分类号：G06N3/092;G06N3/09;G06N3/0442
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.06.14#实质审查的生效;2024.05.28#公开
摘要：本发明属于模型训练技术领域，具体涉及基于人类反馈强化学习的奖励模型训练方法及系统。方法包括：S1，采用标注的指令提示和回复文本对基座模型进行监督训练，获得监督训练模型；S2，获得一组增加人类偏好提示后的指令提示和回复文本列表；S3，使用大模型对增加人类偏好提示后的指令提示和回复文本列表进行打分标注，获得标注的排序数据；S4，对标注的排序数据进行数据增强，获得数据增强后的排序数据；S5，利用数据增强后的排序数据并采用低秩适配LORA的方法，对奖励模型进行训练，获得一个多门混合专家模型MMOE；S6，结合多门混合专家模型MMOE，采用强化学习方法训练步骤S1中的监督训练模型，得到最终的对话模型。
主权项：1.基于人类反馈强化学习的奖励模型训练方法，其特征在于，包括如下步骤；S1，采用标注的指令提示和回复文本作为监督数据对基座模型进行监督训练，获得监督训练模型；S2，收集需要的指令提示，将所述指令提示输入监督训练模型中生成多个回复文本，并且对原指令提示增加人类偏好提示，获得一组增加人类偏好提示后的指令提示和回复文本列表；S3，使用大模型对增加人类偏好提示后的指令提示和回复文本列表进行打分标注，获得标注的排序数据；S4，对标注的排序数据进行数据增强，获得数据增强后的排序数据；S5，利用数据增强后的排序数据并采用低秩适配LORA的方法，对奖励模型进行训练，获得一个多门混合专家模型MMOE，用于学习多个方向的人类偏好；S6，结合步骤S5得到的多门混合专家模型MMOE，采用强化学习方法训练步骤S1中的监督训练模型，得到最终的对话模型。
全文数据：
权利要求：
百度查询： 浙江实在智能科技有限公司 基于人类反馈强化学习的奖励模型训练方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号