1 含有标签「preference-data」

预算有限下的偏好数据：无需研究团队即可捕获 RLHF 信号

如何通过隐式行为遥测、行内编辑和 A/B 提示词从真实用户那里收集成对偏好信号，以及在没有 PPO 基础设施的情况下也能运行的最小可行奖励模型设置。