Deep RL from Human Preferences：RLHF 的起点

119 字 · 预计阅读 1 分钟

2017 · Christiano 等 / OpenAI、DeepMind · 用人类偏好训练奖励模型

2017 年，Christiano 等人在 OpenAI 和 DeepMind 提出用人类偏好训练智能体。人

本文是会员内容

全文 119 字，已试读约 18%。开通专业版可阅读全文，并解锁全部官方课程与后续更新。

支持 7 天无理由退款 · 早鸟价 99 元/年（售完恢复365/年）

课程中涉及的第三方项目，其著作权与商标归各自权利人所有；引用处的署名与许可见《开源与来源说明》。