Istilah Glosari AI

Apakah Model Ganjaran?

Definisi

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

Semak imbas Glosari AI penuhTerokai semua panduan AI percuma

Istilah berkaitan

Pembelajaran Pengukuhan daripada Maklum Balas Manusia (RLHF)Kaedah latihan yang menggunakan isyarat keutamaan manusia untuk membentuk tingkah laku model.Pembelajaran PengukuhanLatihan melalui isyarat ganjaran di mana ejen mempelajari tindakan yang memaksimumkan pulangan jangka panjang.Kebenaran TanahLabel 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 latihanFasa latihan pertengahan antara pralatihan dan pasca latihan, sering digunakan untuk pelarasan keupayaan atau domain.Ejen AISistem 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 ExplainedModel CollapseModel LifecycleModel Context Protocol

Lihat juga

RetrievalRobustnessSafety FilterScaling LawRed TeamingSemantic SearchRecommendation SystemSelf-Supervised Learning