Результаты поиска
Материал из MachineLearning.
Страницы с названием «Обучение_с_подкреплением_на_основе_отзывов_людей_(RLHF)» не существует.
Для получения более подробной информации о поиске на страницах проекта, см. справочный раздел.
Ниже показаны 20 результатов, начиная с № 1.
Просмотреть (предыдущие 20) (следующие 20) (20 | 50 | 100 | 250 | 500)
Нет совпадений в названиях статей
Совпадения в текстах статей
- Философия. Введение в ИИ (курс лекций, К.В.Воронцов)/Задание 1/Выполнение (45 141 байт)
378: ...з обратной связи человека (RLHF)]] - Direct Preference Optimization (18 459 байт)
3: ...а классическому конвейеру RLHF, в котором сначала обучает...
11: Классическая схема RLHF включает несколько шагов:
34: == Связь с RLHF ==
36: ...тесно связан с постановкой RLHF, в которой ищется стратеги...
38: ...лиза одной из классических RLHF-постановок и переводит его... - Трансформер (модель) (21 030 байт)
99: ...братной связи человека (RLHF)|RLHF]].
139: ...з обратной связи человека (RLHF)]] - Большая языковая модель (34 506 байт)
55: ...братной связи человека (RLHF)|RLHF]] позволил настраивать язы...
128: ...з обратной связи человека (RLHF)]] - Механизм внимания (19 989 байт)
106: ...братной связи человека (RLHF)|RLHF]] и предпочтениях меняется ...
114: ...з обратной связи человека (RLHF)]] - Промпт-инжиниринг (25 795 байт)
17: ...братной связи человека (RLHF)|RLHF]], стали ''следовать инструк...
21: ...иринг и дообучение (fine-tuning / RLHF) шли параллельно: первое дё...
117: ...ь vs безопасность) заложен в RLHF/политике — промпт лишь час...
120: ...братной связи человека (RLHF)|RLHF]] и конституциональные мет...
146: ...братной связи человека (RLHF)|RLHF]] / DPO || веса политики || усто... - Диффузионная модель (20 784 байта)
87: ...атной связи человека (RLHF)|LLM-RLHF]].
135: ...з обратной связи человека (RLHF)]] - RubricRL (16 387 байт)
17: ...андартный обходной путь — RLHF с preference data или reward model. Авто...
22: ...уточный вариант между RLVR и RLHF: reward строится из явных, чел...
123: В RLHF человек обычно сообщает, к... - Нейросетевое встраивание (22 184 байта)
126: ...братной связи человека (RLHF)|RLHF]] / preference models — представлен...
160: ...з обратной связи человека (RLHF)]] - Обучение с подкреплением из обратной связи человека (RLHF) (21 403 байта)
2: ...з обратной связи человека (RLHF)]]
6: ...даче с однозначной меткой. RLHF — ключевая техника выравн...
10: ...омпт задаёт задачу сессии, RLHF — устойчивые предпочтения...
18: ...ьно небольшая модель после RLHF может ''по человеческим пре...
100: ... предпочтений (итеративный RLHF). - Дивергенция Кульбака–Лейблера (21 454 байта)
100: ...братной связи человека (RLHF)|RLHF]] (в частности, алгоритм PPO) ...
112: ...з обратной связи человека (RLHF)]] - Супервыравнивание (25 861 байт)
72: ...ременных методов является RLHF (Reinforcement Learning from Human Feedback). В ... - Прямая оптимизация предпочтений (18 568 байт)
3: ...а классическому конвейеру RLHF, в котором сначала обучает...
11: Классическая схема RLHF включает несколько шагов:
34: == Связь с RLHF ==
36: ...тесно связан с постановкой RLHF, в которой ищется стратеги...
38: ...лиза одной из классических RLHF-постановок и переводит его... - Обучение с подкреплением по рубрикам (16 577 байт)
17: ...андартный обходной путь — RLHF с preference data или reward model. Авто...
22: ...уточный вариант между RLVR и RLHF: reward строится из явных, чел...
123: В RLHF человек обычно сообщает, к... - Риски искусственного интеллекта (44 003 байта)
16: ...братной связью от человека|RLHF]] с явным акцентом на справ...
32: ...уждение информацию (через [[RLHF]] и конституционные правил...
46: ...дсказания]]; закрепление в [[RLHF]] требований честности и пр... - Галлюцинация (14 418 байт)
32: ...еческими предпочтениями ([[RLHF]]).
123: * [[RLHF]];
192: * [[RLHF]] - Персональный помощник (16 327 байт)
123: ... [[Reinforcement Learning from Human Feedback]] (RLHF), позволяющее согласовыват... - Конституционный искусственный интеллект (29 863 байта)
6: ...Lee H., Phatale S., Mansoor H. et al. ''RLAIF vs. RLHF: Scaling Reinforcement Learning from Human Feedba...
10: .... ''Reinforcement Learning from Human Feedback'', RLHF). В работах по [[InstructGPT]] и сх...
12: Ограничения RLHF — высокая стоимость разме...
14: ...Lee H., Phatale S., Mansoor H. et al. ''RLAIF vs. RLHF: Scaling Reinforcement Learning from Human Feedba...
49: ...ве обратной связи человека|RLHF]] RLAIF отличается прежде все... - Эмерджентные способности больших языковых моделей (27 300 байт)
16: ...ве обратной связи человека|RLHF]].
118: ...модели проходят instruction tuning, RLHF, фильтрацию данных и допол... - Промпт-инъекция (9351 байт)
34: ...з обратной связи человека (RLHF)|согласования]]) и «инструк...
Просмотреть (предыдущие 20) (следующие 20) (20 | 50 | 100 | 250 | 500)
