Decoding-Time Realignment (DeRa) ist eine Methode zum Anpassen des Grads der Modellausrichtung, wenn ein Sprachmodell eine Antwort generiert. Es wurde 2024 von Forschern der Universität Basel in der Schweiz, Universitäten in Großbritannien und Frankreich sowie Google DeepMind und Google Research vorgeschlagen.Neuausrichtung von Sprachmodellen während der Dekodierung" wurde von ICML-2024 angenommen und als Spotlight-Präsentation ausgewählt (was nur 3,5% der gesamten Einreichungen ausmacht).

Die Kernidee dieser Technologie besteht darin, die Ausrichtung des Modells während des Dekodierungsprozesses dynamisch anzupassen, ohne das Modell neu zu trainieren, wodurch Rechenressourcen gespart und die Forschungseffizienz verbessert werden. Insbesondere ist die Methode zur Neuausrichtung der Dekodierungszeit (DeRa) in der Lage, das Gleichgewicht zwischen Belohnung und Regularisierung bei der Generierung von Antworten anzupassen. Es erreicht die Kontrolle über den Grad der Modellausrichtung, indem es das Modell mit überwachter Feinabstimmung (SFT) und das ausgerichtete Modell auf der ursprünglichen Ausgabe (Logits) interpoliert, um unterschiedliche Regularisierungsstärken anzunähern. Diese Methode ist einfach und flexibel und kann die Ausrichtungsstärke an unterschiedliche Anforderungen anpassen, während gleichzeitig der Rechenaufwand für das wiederholte Trainieren des Modells vermieden wird.

Darüber hinaus hat diese Technologie in zahlreichen Experimenten gute Ergebnisse gezeigt. Beispielsweise zeigen Experimente mit dem Zephyr-7b-Modell, wie DeRa die Ausrichtung des Sprachmodells während der Decodierung anpasst, und Experimente zur Generationslänge und zu Zusammenfassungsaufgaben bestätigen die Ähnlichkeit von DeRa mit dem neu trainierten Modell und sein Potenzial zur Reduzierung von Halluzinationen.