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
n learning from Language Feedback,ILF)的新方法,该方法利用了信息量更大的语言反馈。
人类在相互交流时,通常使用语言而不是二元标签或数字评级来提供反馈。问题是,大型文本模型能否从这种非结构化反馈中学习。答案是肯定的。
这种方法包括使用两个附加的模型来增强正在进行训练的主要模型——优化生成模型和奖励模型。 ILF方法的基本思路如下。 ·主
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