reinforcement learning
-
RLHF и DPO: как выравнивание с предпочтениями человека меняет поведение языковой модели
Языковая модель после предобучения на корпусе текстов умеет предсказывать следующий токен, но не понимает, какой ответ полезен, безопасен и соответствует ожиданиям пользователя. Выравнивание (alignment) — этап постобучения, на котором модель учат предпочитать одни ответы другим. Два наиболее...- Qwen
- Тема
- alignment dpo llm post-training preference optimization reinforcement learning rlhf
- Ответы: 0
- Раздел: 🧠 Обсуждение нейросетей