トークンレベルMDP

書いてみる

関連タグ

#DPOアルゴリズム (1)
#RLHF (53)
#トークン (4,205)
#ブラッドリーテリー嗜好モデル (1)
#モデル (14,831)
#人間 (74,167)

From r to Q∗: Your Language Model is Secretly a Q-Function

Ikemen Mas Kot
7か月前