เราได้ฝึกฝนโมเดลที่เรียกว่า ChatGPT ซึ่งสามารถโต้ตอบในรูปแบบการสนทนาได้
การปรับใช้แบบทำซ้ำ
บทเรียนจากการใช้งานโมเดลก่อนหน้าอย่าง GPT-3 และ Codex ได้ถูกนำมาใช้ในการป้องกันด้านความปลอดภัยในเวอร์ชันนี้ ซึ่งรวมถึงการลดการสร้างผลลัพธ์ที่เป็นอันตรายหรือข้อมูลที่ไม่เป็นความจริงได้อย่างมากด้วยการใช้ RLHF
เอกสารอ้างอิง
แรงบันดาลใจในการแข่งขันนี้ส่วนหนึ่งมาจากงานของ Kenway, Josh, Camille François, Sasha Costanza-Chock, Inioluwa Deborah Raji และ Joy Buolamwini ในหัวข้อ Bug Bounties For Algorithmic Harms?
คำขอบคุณ
มีการกล่าวถึงผู้มีส่วนร่วมจำนวนมากที่ช่วยในการพัฒนาโมเดลนี้ รวมถึง John Schulman, Barret Zoph และบุคคลอื่นๆ อีกมากมาย
ศัพท์ที่ควรรู้
- ChatGPT – โมเดลที่สามารถโต้ตอบกับผู้ใช้ในรูปแบบการสนทนาได้
- GPT-3 และ Codex – โมเดลภาษาขนาดใหญ่รุ่นก่อนหน้าของ OpenAI ที่เป็นพื้นฐานในการพัฒนา
- Reinforcement Learning from Human Feedback (RLHF) – เทคนิคการเรียนรู้ที่ใช้ข้อเสนอแนะจากมนุษย์เพื่อปรับปรุงและควบคุมผลลัพธ์ของ AI
ที่มา: OpenAI