BriefGPT - AI 论文速递 · 2024-02-22T00:00:00Z

回归基础：重新评估 LLMs 中学习人类反馈的 REINFORCE 样式优化

📝

内容提要

本文介绍了一种基于策略优化的强化学习算法，该算法通过比较反馈来推断奖励函数，不需要先验知识。研究发现，少量人类反馈足以获得良好的性能。算法在线性和神经函数逼近两种情景下提供和分析了。