Μάθηση Νέα Εργαλεία Θέσεις εργασίας Αποστολή

Όρος Γλωσσάρι AI

Τι είναι Μοντέλο ανταμοιβής;

Ορισμός

Ένα μοντέλο που βαθμολογεί τις εξόδους με βάση τα σήματα προτίμησης, που χρησιμοποιείται συχνά σε αγωγούς RLHF.

Περιηγηθείτε στο πλήρες Γλωσσάρι AI Εξερευνήστε όλους τους δωρεάν οδηγούς AI

Ενισχυτική μάθηση από την ανθρώπινη ανατροφοδότηση (RLHF)Μια μέθοδος εκπαίδευσης που χρησιμοποιεί σήματα ανθρώπινης προτίμησης για να διαμορφώσει τη συμπεριφορά του μοντέλου.Ενισχυτική ΜάθησηΗ εκπαίδευση μέσω ανταμοιβής σηματοδοτεί όπου ένας πράκτορας μαθαίνει ενέργειες που μεγιστοποιούν τη μακροπρόθεσμη απόδοση.Επίγεια ΑλήθειαΑξιόπιστες ετικέτες αναφοράς που χρησιμοποιούνται για την εκπαίδευση ή την αξιολόγηση των αποτελεσμάτων του μοντέλου.DPO (Άμεση βελτιστοποίηση προτιμήσεων)Μια μέθοδος εκπαίδευσης που προσαρμόζει τα μοντέλα απευθείας σε ζεύγη προτιμήσεων χωρίς να χρειάζεται ξεχωριστό μοντέλο ανταμοιβής.Ενδιάμεση προπόνησηΜια ενδιάμεση φάση εκπαίδευσης μεταξύ της προ-προπόνησης και της μετα-εκπαίδευσης, που χρησιμοποιείται συχνά για προσαρμογές ικανοτήτων ή τομέα.Πράκτορας AIΈνα σύστημα λογισμικού που μπορεί να παρατηρεί, να αιτιολογεί και να κάνει ενέργειες για την επίτευξη ενός στόχου, χρησιμοποιώντας συχνά εργαλεία και μνήμη.

Μάθετε περισσότερα στους δωρεάν οδηγούς μας

AI Models Explained Model Collapse Model Lifecycle Model Context Protocol

Δείτε επίσης

Retrieval Robustness Safety Filter Scaling Law Red Teaming Semantic Search Recommendation System Self-Supervised Learning