人間のフィードバック

書いてみる

関連タグ

#モデル (12,594)
#データセット (833)
#研究 (32,976)
#LLM (4,643)
#PPO (9)
#RAFT (59)

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

Ikemen Mas Kot
2か月前

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

Ikemen Mas Kot
2か月前

Constitutional AI: Harmlessness from AI Feedback

Ikemen Mas Kot
1か月前