Termin ze słownika AI

Czym jest Model nagrody?

Definicja

Model oceniający wyniki na podstawie sygnałów preferencji, często używany w potokach RLHF.

Przejrzyj pełny słownik AIPrzeglądaj wszystkie bezpłatne przewodniki AI

Powiązane terminy

Uczenie się przez wzmocnienie na podstawie informacji zwrotnej od ludzi (RLHF)Metoda szkoleniowa wykorzystująca sygnały preferencji ludzkich do kształtowania zachowań modelu.Uczenie się przez wzmacnianieSzkolenie za pomocą sygnałów nagrody, podczas którego agent uczy się działań maksymalizujących długoterminowy zwrot.Prawda gruntowaZaufane etykiety referencyjne używane do uczenia lub oceniania wyników modelu.DPO (bezpośrednia optymalizacja preferencji)Metoda uczenia, która dostraja modele bezpośrednio na parach preferencji, bez konieczności stosowania osobnego modelu nagrody.W połowie treninguPośrednia faza szkolenia pomiędzy szkoleniem przedtreningowym a szkoleniem poszkoleniowym, często wykorzystywana w celu dostosowania zdolności lub domeny.Agent AISystem oprogramowania, który potrafi obserwować, rozumować i podejmować działania, aby osiągnąć cel, często przy użyciu narzędzi i pamięci.

Dowiedz się więcej z naszych bezpłatnych przewodników

AI Models ExplainedModel CollapseModel LifecycleModel Context Protocol

Zobacz także

RetrievalRobustnessSafety FilterScaling LawRed TeamingSemantic SearchRecommendation SystemSelf-Supervised Learning