Comparison Dataset

Определение

Датасет, содержащий тройки (prompt, ответ_A, ответ_B, метка), используемый для обучения модели вознаграждения (reward model) на основе человеческих предпочтений.

Где встречается

• 329. Как обучается reward model для RLHF и как избегать reward hacking

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление