学習と後学習
SFT / RLHF / DPO
指示追従と選好に沿う挙動を教えるための後学習手法群です。SFTは実演から学び、RLHFとDPOは異なる最適化手順で選好比較を利用します。
主要用語
- 教師ありファインチューニング（supervised fine-tuning）
- 選好データ（preference data）
- 報酬モデル（reward model）
- アライメント（alignment）
プロジェクト内のつながり
基盤とする技術
関連技術
歴史的背景
一次資料
これは選定された技術マップであり、網羅性を主張するものではありません。