← 返回卡片

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

核验版本的摘录快照 · 导入于 2026-11-18T14:25:08.848Z

型中采样,奖励好的序列,惩罚坏的序列,这可能是比标准自监督语言建模目标更好的方法。采样分布自然遵循语言模型所学习的知识,

而奖励则根据语言模型当前对正确行为的最佳猜测进行评估。然而,这种方法将语言模型视为一种策略而非生成模型,这可能会导致生成模型的退化和确定性,从而将所有概率质量都放在具有最高奖励的序列上。

换言之,强化学习目标将语言模型视为一种策略,而不是生成模型,这阻碍了语言模型捕获多样化样本分布的能力。在没有状态概念的情

此预览只包含定位所需的摘录和上下文。

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