Gluais

Foghlaim threisithe ó aiseolas daonna (RLHF)

Cad is Foghlaim threisithe ó aiseolas daonna (RLHF) ann?

Modh oiliúna is ea RLHF a fhágann go bhfuil múnlaí teanga níos cabhrach agus níos sábháilte. Déanann daoine comparáid idir roinnt freagraí an mhúnla agus tugann siad rátáil dóibh; úsáidtear na breithiúnais seo chun múnla luach saothair a oiliúint, a oiliúnaíonn an múnla teanga féin tuilleadh ansin trí fhoghlaim threisithe. Múineann sé seo dó, mar shampla, freagairt níos soiléire nó iarratais fhadhbacha a dhiúltú. Tarlaíonn RLHF ag soláthraí an mhúnla sula scaoiltear múnla – ní le húsáideoirí aonair.

Conas a chabhraíonn KI.ordo

Ní athoiliúnaíonn na rátálacha 👍/👎 in KI.ordo an múnla; léiríonn siad cá mbeadh eolas nó treoracha gníomhaire le feabhsú.

Tuilleadh eolais

Topaicí

oiliúint
aiseolas daonna
samhlacha teanga

Bain triail as KI.ordo

Gníomhairí, sreafaí oibre agus teimpléid in aon spás oibre amháin – taispeántas 24 uair an chloig saor in aisce.

Tosaigh an taispeántas

← Gach téarma

Téarmaí gaolmhara

Foghlaim threisithe (RL)

Is brainse den mheaisínfhoghlaim í foghlaim threisithe ina bhfoghlaimíonn gníomhaire trí thriail agus earráid. Gníomhaíonn sé laistigh de thimpeallacht, faigheann luach saothair as torthaí maithe agus pionóis as torthaí olca, agus ar an mbealach seo forbraíonn sé straitéis a uasmhéadaíonn a luach saothair iomlán. I measc na samplaí aitheanta tá cláir a ghnóthaíonn máistreacht ar chluichí boird ar nós Go, rialú róbónna agus mionchoigeartú múnlaí teanga bunaithe ar mheasúnuithe daonna.

modh foghlama
luach saothair
+1

Instruction Tuning

Cineál mionchoigeartaithe is ea mionchoigeartú treorach ina n-oiliúnaítear samhail teanga réamhoilte tuilleadh ar go leor péirí treoracha agus freagraí inmhianaithe. Múineann sé seo don tsamhail tascanna a leanúint a fhoirmlítear i ngnáththeanga seachas téacs a leanúint ar aghaidh amháin. Is príomhchéim é chun bunsamhail a athrú ina cúntóir agus is minic a chomhcheanglaítear é le modhanna ar nós RLHF. Sampla: déantar 'Déan achoimre ar an téacs seo i dtrí abairt' go hiontaofa.

Mionchoigeartú
Samhlacha teanga
+1

IS bhunreachtúil

Modh oiliúna do shamhlacha teanga is ea IS bhunreachtúil a d'fhoilsigh Anthropic in 2022; níl aon bhaint aige le dlí bunreachtúil. Tá sé bunaithe ar thacar prionsabal scríofa, an “bunreacht”: déanann an tsamhail léirmheas ar a freagraí féin i gcoinne na bprionsabal seo agus athbhreithníonn sí iad, ansin cuireann IS péirí freagraí i gcomparáid, agus feidhmíonn an t-aiseolas seo mar chomhartha luaíochta d'fhoghlaim threisithe (RLAIF). Laghdaíonn sé seo an gá le lipéadú daonna ar ábhar dochrach; i mí Eanáir 2026 d'fhoilsigh Anthropic bunreacht athbhreithnithe do Claude.

Training
Sábháilteacht IS
+1

Mionchoigeartú

Ciallaíonn mionchoigeartú tuilleadh oiliúna a chur ar shamhail IS atá réamh-oilte cheana ar shonraí breise, a bhíonn de ghnáth sainiúil don tasc. Coigeartaítear a meáchain inmheánacha ionas go láimhseálann an tsamhail, mar shampla, stíl scríbhneoireachta áirithe, foclóir speisialaithe nó formáid aschuir ar bhealach níos iontaofa. Teastaíonn sonraí samplacha ullmhaithe go cúramach, cumhacht ríomhaireachta agus tástáil le haghaidh mionchoigeartaithe. Do go leor feidhmchlár, is leor treoracha dea-scríofa agus eolas nasctha agus is éasca iad a athrú.

Oiliúint samhla
Saincheapadh
+1