基于人类反馈的强化学习方法

1 篇文章 1 个主题模块 进入文章后，左侧会展开本课程章节

01 第 10 门课程

  1. 01 RLHF：监督微调、奖励模型与 PPO 对齐 本文围绕“RLHF：监督微调、奖励模型与 PPO 对齐”对课程 ASR 进行高密度论文式重构，并围绕 RLHF、SFT、reward model、preference data、PPO 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。 →