跳到主要内容

合同会被基座续成更长条款,却听不进「请总结成五条要点」;监督微调后写法框住了,却更爱写讨好长文。预训练、SFT、偏好优化各自在最大化哪类目标?偏好那一步为何只比较谁更好、不必再提供全文金标?

Agent 学习与策略优化中级微调

题目​

合同会被基座续成更长条款,却听不进「请总结成五条要点」;监督微调后写法框住了,却更爱写讨好长文。预训练、SFT、偏好优化各自在最大化哪类目标?偏好那一步为何只比较谁更好、不必再提供全文金标?

参考答案​