⚖️RLHF vs RLAIF
RLHF: обучение на предпочтениях людей (OpenAI, ~100K аннотаций). RLAIF: предпочтения генерирует ИИ (Anthropic, дешевле). DPO (2023): без модели вознаграждения.
📖6 мин чтения📊Уровень 9📅19 февраля 2026 г.
🗺️ Mind Map
Загрузка карты...
❓Часто задаваемые вопросы
RLHF vs RLAIF — это тема о правилах, механизмах и практиках в своей области. Она помогает понять, как принимаются решения и к каким последствиям они приводят.