self-play

Определение

Метод обучения, при котором модель генерирует и оценивает собственные ответы, используя их как обучающие данные (например, в RLAIF или ReST).

Где встречается

• 330. Что такое RLAIF (RL from AI Feedback) и как он масштабируется
• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO
• 688. Что такое synthetic data collapse (когда синтетические данные деградируют со временем)

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление