Proximal Policy Optimization
Proximal Policy Optimization
Определение
Алгоритм обучения с подкреплением с клиппингом, используемый в RLHF для стабильного обучения.
Где встречается
- 36. Что такое DPO (Direct Preference Optimization) и чем отличается от RLHF
- 138. Что такое «оценка с подкреплением» (RLHF evaluation) и как она отличается от обычной
- 297. Что такое representation engineering (RepE) и зачем он нужен
- 326. Как работает RLHF (Reinforcement Learning from Human Feedback) технически
- 328. GRPO (Group Relative Policy Optimization) vs PPO — чем отличается и зачем нужен
- 329. Как обучается reward model для RLHF и как избегать reward hacking
- 330. Что такое RLAIF (RL from AI Feedback) и как он масштабируется
- 331. Как вы измеряете quality RLHF модели вне стандартных бенчмарков (MT-Bench)
- 332. Как работает KL penalty в RLHF и как подобрать коэффициент
- 334. Как вы делаете online RL для агентов (self-improvement loops)
- 335. Как работает Direct Preference Optimization (DPO) в деталях (потеря, градиенты)
- 337. Как вы проверяете, что RLHF не сломал базовые способности модели
- 340. Что такое Constitutional AI и как RLHF связан с ним
- 344. Что такое reward hacking в RLHF и как его детектировать
- 485. Как вы дебажите training instability (loss spikes, divergence)
- 489. Что такое reward hacking в RLHF и как его детектировать
- 496. Что такое reward correlation и как ее измерять
- 507. Что такое calibration в контексте reward model для RLHF
- 589. Как вы делаете agent с human values alignment (Constitutional AI для агентов)
- 657. Что такое KL divergence и где она применяется в LLM (RLHF, distillation)
- 686. Как работает synthetic data для RLHF (предпочтения)
- 873. Как детектировать reward hacking в RLHF
- 895. Как оптимизировать траектории агента (trajectory optimization)
- 800+ вопросов
- 65. Реализовать process reward model
- 223. Fine-tune LoRA для стиля
- 270. Настроить RLAIF для генерации предпочтений