What is Reward Model? Definition | AI Understanding

Definisi

Model yang menjaringkan output berdasarkan isyarat keutamaan, sering digunakan dalam saluran paip RLHF.

Istilah berkaitan

Pembelajaran Pengukuhan daripada Maklum Balas Manusia (RLHF)

Kaedah latihan yang menggunakan isyarat keutamaan manusia untuk membentuk tingkah laku model.

Pembelajaran Pengukuhan

Latihan melalui isyarat ganjaran di mana ejen mempelajari tindakan yang memaksimumkan pulangan jangka panjang.

Kebenaran Tanah

Label rujukan yang dipercayai digunakan untuk melatih atau menilai output model.

DPO (Pengoptimuman Keutamaan Langsung)

Kaedah latihan yang memperhalusi model secara langsung pada pasangan pilihan tanpa memerlukan model ganjaran yang berasingan.

Pertengahan latihan

Fasa latihan pertengahan antara pralatihan dan pasca latihan, sering digunakan untuk pelarasan keupayaan atau domain.

Sistem perisian yang boleh memerhati, menaakul dan mengambil tindakan untuk mencapai matlamat, selalunya menggunakan alatan dan ingatan.

Ketahui lebih lanjut dalam panduan percuma kami

AI Models Explained Model Collapse Model Lifecycle Model Context Protocol

See also

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

Semak imbas Glosari AI penuh Terokai semua panduan AI percuma