RLHF (Reinforcement Learning from Human Feedback)

یادگیری تقویتی از بازخورد انسانی

یادگیری تقویتی از بازخورد انسانی؛ تنظیم مدل‌ها بر اساس ترجیحات و بازخورد انسان‌ها. این روش به مدل کمک می‌کند خروجی‌هایی تولید کند که بیشتر با ترجیحات و انتظارات انسان هماهنگ باشند.