simpo-training

SKILL.md

SimPO is a reference-free preference optimization method that outperforms DPO without needing a reference model.

Loss functions: See references/loss-functions.md for sigmoid vs hinge loss, mathematical formulations, and when to use each.

Hyperparameter tuning: See references/hyperparameters.md for beta, gamma, learning rate selection guide, and model-size-specific recommendations.

LLM アライメントのためのシンプルな設定の最適化。より優れたパフォーマンスを備えた DPO のリファレンスフリーの代替品 (AlpacaEval 2.0 で +6.4 ポイント)。参照モデルは必要なく、DPO よりも効率的です。 DPO/PPO よりもシンプルで高速なトレーニングが必要な場合に、好みの調整に使用します。 ソース: orchestra-research/ai-research-skills。

原文を見る