週刊ブリーフ
AIのレビューを、あなたの受信箱に。
モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。
週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について
RLHF(reinforcement learning from human feedback、人間のフィードバックによる強化学習)とは、言語モデルの回答を人が順位付けしたものを使ってモデルをファインチューニングする手法です。報酬モデルがその選好を学習し、強化学習によってスコアの高い回答に向けてモデルを調整します。
別名: reinforcement learning from human feedback