原书出处
大语言模型-基础与前沿 (熊涛)
09 第9章 对齐语言模型与人类偏好
的每个词元采用Kullback-Leibler(KL)惩罚。KL散度测量两个分布函数之间的差异,并对过大的距离进行惩罚。
通过实施KL惩罚,可以使响应接近步骤1中训练的SFT模型的输出,从而防止奖励模型过度优化,并确保响应与人类意图数据集保持对齐。
RLSFT SFT模型学习的强化学习策略由π表示,而监督训练的模型由π表示。预训练分布用D表示。KL惩罚和预训练梯度的强
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/大语言模型-基础与前沿 (熊涛)/_epub-src/EPUB/xhtml/chapter11.xhtml
EPUB SHA-256:1bd3e387da1e881a4b6e0214f2c7df6e30d5cdbd1f602c69fc88edacffe6743d