CD bad-case-to-dpo

Используйте для преобразования производственных bad case / траекторий сбоя в обучающие данные — полный путь от анализа причин сбоя, префиксного усечения траектории, построения пар предпочтений DPO, обучения LoRA до двойной проверки набора границ и набора сохранения; также используется для определения того, какой тип проблемы следует решать с помощью SFT, DPO, RL или сначала исправить Harness/инструменты/tokenizer, а также как извлекать структурированные сигналы обучения с доказательствами из траекторий выполнения. Ключевые слова: bad case, анализ причин сбоя, DPO, пара предпочтений, префикс траектории, rejection sampling, чрезмерная коррекция, набор границ, набор сохранения, преждевременное завершение, reward hacking, дообучение LoRA, изоляция обучения и оценки.

машинный переводПоказать оригиналСкрыть оригинал«把生产 bad case / 失败轨迹转成训练数据时使用——从失败归因、轨迹前缀截取、DPO 偏好对构造、LoRA 训练到边界集与保留集双集…»

把生产 bad case / 失败轨迹转成训练数据时使用——从失败归因、轨迹前缀截取、DPO 偏好对构造、LoRA 训练到边界集与保留集双集验证的完整链路；也用于判断某类问题该走 SFT、DPO、RL 还是先修 Harness/工具/tokenizer，以及如何从运行轨迹中提取带证据的结构化学习信号。触发词：bad case、失败归因、DPO、偏好对、轨迹前缀、拒绝采样、过度矫正、边界集、保留集、过早结束、reward hacking、LoRA 微调、训练评估隔离。

Используйте для преобразования производственных bad case / траекторий сбоя в обучающие данные — полный путь от анализа причин сбоя, префиксного усечения…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия