奖励模型是可微分的人类偏好代理,将主观判断转化为可导的奖励信号
奖励模型本身是强化学习智能体
奖励模型目标是学习模仿人类写作风格
奖励模型直接修改基座模型权重
这道题你会答吗?花几分钟告诉大家答案吧!
扫描二维码,关注牛客网
下载牛客APP,随时随地刷题