训练与微调

AI 反馈强化学习

RLAIF

用另一个模型代替人类做偏好标注。

又称 RLAIF AI 反馈

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

人类标注贵且慢,于是让一个强模型按评分标准给回答打分或排序,再走 RLHF/DPO 流程。成本降一到两个数量级,规模可以做得很大。

风险是「自我偏好」:评审模型偏爱和自己风格相似的回答,长期会把能力上限锁死。常见做法是人类标一小部分做校准。

02 什么时候会碰到它
判断一个新版本到底改了什么时

预训练、对齐、微调、蒸馏各有各的代价。看懂这组词,才能分清「知识量变了」还是「只是更听话了」,也才知道自己的业务该不该做微调。

03 和这几个词怎么区分
04 接着读这几篇

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活