کیا ہے انسانی تاثرات سے کمک سیکھنا (RLHF)?

انعامی سگنلز کے ذریعے تربیت جہاں ایک ایجنٹ ایسے اعمال سیکھتا ہے جو طویل مدتی واپسی کو زیادہ سے زیادہ بناتے ہیں۔

ایک ماڈل جو ترجیحی سگنلز کی بنیاد پر آؤٹ پٹ اسکور کرتا ہے، جو اکثر RLHF پائپ لائنوں میں استعمال ہوتا ہے۔

ایک تربیتی طریقہ جو ماڈلز کو براہ راست ترجیحی جوڑوں پر بناتا ہے بغیر کسی علیحدہ انعامی ماڈل کی ضرورت کے۔

تربیتی نقطہ نظر جو ایک ماڈل کو پیشگی معلومات کو فراموش کیے بغیر نئے ڈیٹا سے سیکھتے رہنے دیتے ہیں۔

صرف چند مثالوں سے طرز عمل سیکھنا یا اپنانا۔

وقت کے ساتھ ساتھ کارکردگی کا انحطاط کیونکہ حقیقی دنیا کے حالات تربیت کے مفروضوں سے ہٹ جاتے ہیں۔