Data and Environment Curation for Post-Training LLMs — Mahesh Sathiamoorthy, Bespoke Labs
Mahesh Sathiamoorthy från Bespoke Labs argumenterar att det svåra med att träna stora språkmodeller efter de är färdigtränade inte är algoritmerna utan själva datan och miljöerna modellerna lär sig i.
Han beskriver hur hans team byggt OpenThoughts, en datamängd för resonemang, och lärt sig att det viktiga är att ha många olika sätt att lösa samma problem, inte bara en "rätt" metod. Ett exempel är hur rätt märkt träningsdata om kreditkortskompliansregler gjorde en modell mycket bättre på att förstå dessa regler. Grundidén är att noggrann datakurering — val och organisering av bra träningsexempel — är mer avgörande än bara mer datorkraft.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
SOTA Generative Media Panel — Dumitru Erhan, Shane Gu & Nicole Brichtova, Google DeepMind
AI Engineer 30 aug.
Tell the Robot What You Want — Sandhya Subramani, AWS
AI Engineer 29 aug.
The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai
AI Engineer 29 aug.
Tribal Dungeons of Global Shipping: AI Agents at Global Scale — Dmitry Buykin, Maersk
AI Engineer 29 aug.