PPOTrainer

Определение

Компонент библиотеки TRL (Transformers Reinforcement Learning) для обучения с подкреплением методом PPO, применяемый, например, в RLHF для детекции reward hacking.

Где встречается

• 873. Как детектировать reward hacking в RLHF

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление