unslothai/unsloth

DPO, ORPO - grad accumulation fix

クローズ

#1,178 opened on 2024/10/24

GitHub で見るコントリビューターガイド
 (1 件のコメント) (0 件のリアクション) (0 人の担当者)Python (5,658 件のフォーク)batch import
feature requesthelp wanted

Repository metrics

Stars
 (64,271 個のスター)
PR merge metrics
 (PR metrics pending)

説明

Goal: Propagate gradient accumulation fix to DPO - much harder since it requires a full rewrite of https://github.com/huggingface/trl/blob/main/trl/trainer/dpo_trainer.py

コントリビューターガイド

調査方針
trlライブラリのDPOトレーナーを調査し、他の場所（例：ORPO）で既に適用されている勾配累積修正を確認し、DPOトレーナーを書き換えて修正を組み込みます。
技術スタック
pythonpytorch
領域
machine learning
Issue 種別
バグ
難度新しい貢献者にとっての実装難度です。1 は非常に小さな変更、5 は専門的な作業です。
4
推定時間経験ある貢献者が調査、実装、テスト、pull request 準備にかけるおおよその時間範囲です。
1-2日
活動状況Issue が今どれだけ取り組みやすいかを示します。新しい、活発、古い、ブロック中、またはメンテナー入力待ちなどです。
新着
明確さ期待される変更、受け入れ条件、次の手順がどれだけ明確かを示します。
おおむね明確
前提条件
PythonPyTorchDPO
初心者向け度初回貢献者にどれだけ取り組みやすいかを 1-100 で推定したスコアです。
30