On-policy

Определение

Парадигма обучения, при которой данные генерируются текущей политикой (LLM) на каждой итерации PPO.

Где встречается

• 326. Как работает RLHF (Reinforcement Learning from Human Feedback) технически

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление