1. 학습
    2. /
  2. 강의
    3. /
  3. 人間のフィードバックによる強化学習（RLHF）
Connected

연습 문제

報酬モデルをチェックする

微調整に戻って確認したところ、モデルの性能は依然としてベースモデルより劣っています。今回は報酬モデルを調べることにし、分析用にモデルの出力結果をまとめたデータセットを用意しました。出力データに対して、どのようなチェックを行いますか？

データセットは reward_model_results として事前にインポートされています。

지침

50 XP

가능한 답변