Какво е По средата на тренировката?

Стъпки на обучение, приложени след предварително обучение, като настройка на инструкциите, оптимизиране на предпочитанията и настройка на безопасността.

Колекция от структурирани или неструктурирани примери, използвани за обучение, валидиране или тестване.

Задържан набор от данни, използван за измерване на качеството на модела след обучение.

Продължаващо обучение върху специфични за домейн данни за адаптиране на предварително обучен модел към конкретна задача.

Първоначално обучение за широкомащабни модели върху широки данни преди адаптиране надолу по веригата.

Модел, който оценява резултатите въз основа на сигнали за предпочитания, често използвани в RLHF тръбопроводи.