★
मेनू
होम यह कैसे बना है Watchlist द स्टैक
हार्डवेयर Chipsचिप्स की तुलना करें सर्वर और सिस्टमनेटवर्किंग मेमोरीफ़ाउंड्री और पैकेजिंग कूलिंग
फ़ैसिलिटीज़ डेटा सेंटरबिजली परियोजनाएँCloud और GPU Compute
इंटेलिजेंस AI Modelsसॉफ़्टवेयर AI उत्पादBenchmarks रिसर्च पेपरडेटासेट अवधारणाएँ
इकोसिस्टम कंपनियाँस्टॉक्स लोगसमयरेखा रुझानAI का भविष्य
जानें समाचार डेटा से पूछें AI एजेंट
परिचय हमारे बारे में पद्धति Data & API अस्वीकरण
विकल्प
DATA & API

साइट के कैश्ड डेटा तक निःशुल्क रीड-ओनली JSON पहुँच।

डार्क मोड

निर्देशित दृश्य
chip, data center और मॉडल की शब्दावली से अपरिचित हैं? ब्राउज़ करते समय हम प्रमुख शब्दों को सरल भाषा में समझाते हैं। वही डेटा, साथ में सहायता।

विशेषज्ञ दृश्य
आप पहले से स्टैक जानते हैं। बस डेटा: साफ़, तेज़ और संक्षिप्त, बिना किसी अतिरिक्त स्पष्टीकरण के। यह डिफ़ॉल्ट व्यू है।

इंटरफ़ेस भाषा
‹ वापस
होम › अवधारणाएँ › Post-training (RLHF, RLVR and after)

Post-training (RLHF, RLVR and after)

अवधारणा प्रशिक्षण और अनुमान

Where a raw predictor becomes an assistant — and, lately, a reasoner.

आप एक concept explainer देख रहे हैं: इस शब्द का सरल भाषा में क्या अर्थ है, और वे रिकॉर्ड जो इससे जुड़े हैं।

After pre-training, models are shaped: supervised fine-tuning on demonstrations, RLHF against human preferences, and now reinforcement learning on verifiable rewards (math checkers, passing tests) that produced the reasoning models. Post-training's share of total compute is rising sharply — labs describe it as the new frontier of differentiation, which is why data-labeling firms and RL environments became strategic assets.

यह बाकी स्टैक से कैसे जुड़ता है

Related · 3 Post-training (RLHF, RLVR and after)

इस रिकॉर्ड के लिंक एक नज़र में — किसी समूह पर क्लिक करके उस पर जाएँ।

स्रोत

DeepSeek-R1 (RL for reasoning) ↗

रिकॉर्ड की समीक्षा की गई 2026-01-15 — देखें पद्धति.