Post Training 系列第五篇,Reward Model
如题目,Reward Model 是 Bradley-Terry 的倒影。
选择怎样变成损失,
损失怎样改变网络,
网络长什么样,
RM 在训练中还学到了什么
( 依然非常干...
Post Training 系列第五篇,Reward Model
如题目,Reward Model 是 Bradley-Terry 的倒影。
选择怎样变成损失,
损失怎样改变网络,
网络长什么样,
RM 在训练中还学到了什么
( 依然非常干...
https://x.com/i/article/2116301274433961984View quoted post on X
Dongxi NLP · x.comPublished · added here
Original title: Post Training 系列第五篇,Reward Model