XNews

Nathan Lambert 出版首部RLHF综合性专著

一本名为《基于人类反馈的强化学习》的新书由前Ai2后训练负责人Nathan Lambert撰写,系统概述了该领域。该书涵盖从指令微调到强化学习的完整流程,包括DPO和RLVR,并认为数据质量比算法本身更重要。

Source posts