人間のフィードバック

書いてみる

関連タグ

#モデル (16,191)
#データセット (911)
#研究 (40,045)
#LLM (7,300)
#PPO (15)
#RAFT (62)

Back to Basics: Revisiting REINFORCE Style Optimization for Learning from Human Feedback in LLMs

Ikemen Mas Kot
8か月前

Reuse Your Rewards: Reward Model Transfer for Zero-Shot Cross-Lingual Alignment

Ikemen Mas Kot
9か月前

Constitutional AI: Harmlessness from AI Feedback

Ikemen Mas Kot
8か月前