知识卡片
RLHF分评分与生成优化
RLHF先从反馈训练奖励模型,判断提示与响应的质量,再用奖励信号优化生成模型,让其更倾向产生高分回答。评分器与生成器承担不同职责,前者的偏好和误差也会影响后者。它是后训练路径之一,并非全部模型必须经过的唯一流程。
结构图:
flowchart TD
A[提示与比较反馈] --> B[训练奖励模型]
C[已监督微调的生成模型] --> D[对提示生成回答]
B --> E[给回答评分]
D --> E
E --> F[以奖励信号更新生成模型]
F --> C
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 理解基础模型
原书出处 · 1 处
- · 查看原书依据
训练一个奖励模型,为基础模型的输出打分。
参考来源
- 位置:《AI工程:大模型应用开发实战》第2章《理解基础模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section010.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:训练一个奖励模型,为基础模型的输出打分。