跳到主要内容

奖励模型的分类损失已经很好看,可成对标注两人同意的比例只略高于一半。怎样判断是题目没法比、还是指南含糊?开训前如何把噪声剔除、留下可学信号?

Agent 学习与策略优化中级学习与策略优

题目​

奖励模型的分类损失已经很好看,可成对标注两人同意的比例只略高于一半。怎样判断是题目没法比、还是指南含糊?开训前如何把噪声剔除、留下可学信号?

参考答案​