mej7.comHow AI Works

RLHF Stack

Mësimi 8 nga 10 · niveli I Avancuar · vizualizim interaktiv (model mësimor i thjeshtuar)

ALIGNMENT

Nga modeli bazë te asistenti i dobishëm

Trajnimi shpesh shtreson: pretrain në tekst → fine-tune për udhëzime → model shpërblimi → RLHF e shtyn politikën drejt përgjigjeve të preferuara nga njerëzit.