核心内容摘要
RMBG-2.0轻量模型部署：树莓派5+6GB RAM实现实时摄像头流抠图
我整理好的1000面试题请看大模型面试题
总结-CSDN博客或者https://gitee.com/lilitom/ai_interview_questions/blob/master/README.md最好将URL复制到浏览器中打开不然可能无法直接打开-------------------------------------------------------------------------------------------------好了我们今天针对上面的问题请简要解释Pre-train、RL和Test Time三种 Scaling Law 的核心观点在对应的阶段起到的作用Pre-train Scaling Law的主要论点是随着计算量FLOPs、数据规模以及模型参数数量的增加模型性能例如损失函数值的优化程度会按照幂律关系Power Law得到提升不过这种提升的边际效益会逐渐降低。
OpenAI 提出的 Scaling Law 强调在计算资源投入增加的情况下需要协调模型参数规模和数据规模的增长例如采取成比例的扩展方式。
其核心目标是在预训练阶段通过合理分配计算资源以充分挖掘模型的潜力。
RL Scaling Law的核心理念是在强化学习阶段例如 RLHF模型性能会随着训练步数的增加、奖励模型的准确度提升以及策略优化算法的稳定性增强等多方面因素而得到拓展。
然而RL 阶段实际上存在“过优化”问题模型性能会随着训练步数的增加先上升后下降因此需要谨慎地控制训练步数。
其主要目的是在对齐和微调阶段平衡模型性能与安全对齐之间的关系。
Test Time Scaling Law在推理阶段通过增加测试时的计算资源例如采用思维链、自洽性采样、集成等方法来提升模型的表现但这种提升的边际效益会逐渐减少。
例如采样 10 次可能会显著提升效果但增加到 100 次时提升的效果就很有限了。
其主要目标是在推理阶段利用额外的计算资源来优化模型的最终输出质量。