课程目录136 节查看完整学习地图

强化学习和后训练(中)

检查奖励规则,认识偏好,并运行短训练。

  • 检查奖励规则的漏洞
  • 理解偏好对与DPO的作用
  • 把反馈接回真实语言模型

预计学习:30–50分钟

完整讲解与实验需要课程权益,Q&A 免费阅读。

进入完整课程

前往中国大陆版?

你的网络位于中国大陆。前往大陆版,可使用微信登录。

前往大陆版