强化学习
通过与环境的交互获得奖励来学习策略。
概览
强化学习通过让策略采取行动、观察所获得的奖励并调整以获取更多奖励来训练策略。它解决的是那些事先不知道正确动作、只能根据结果来评判的问题。它之所以存在，是因为某些目标——例如赢得一场游戏或让模型与人类偏好对齐——评分远比演示容易。RLHF 将其应用于语言模型。
技术图谱
强化学习 如何与技术栈的其他部分相连。
使用与依赖
- GRPO technique Techniques GRPO based on 强化学习 High ✓ source
被用于
- RLHF technique Techniques 强化学习 used by RLHF High ✓ source
应用于
- Chain of Thought technique Prompting Chain of Thought used for 强化学习 Medium ✓ source
- Fine-tuning technique Techniques 强化学习 used for Fine-tuning High ✓ source