跳到主要内容

活已经办得下来,可客客气气的话术仍能从监督微调模型里把内链套走。成对偏好、奖励模型和套着 KL 绳子的策略更新,各守哪一段?哪一环一松,看起来更乐于助人,其实更险?

Agent 学习与策略优化中级微调

题目​

活已经办得下来,可客客气气的话术仍能从监督微调模型里把内链套走。成对偏好、奖励模型和套着 KL 绳子的策略更新,各守哪一段?哪一环一松,看起来更乐于助人,其实更险?

参考答案​