Post-training (RLHF, RLVR and after)
概念
学習・推論
Where a raw predictor becomes an assistant — and, lately, a reasoner.
これはコンセプト解説のレコードです。この用語をわかりやすく説明し、関連するレコードをまとめています。
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.
スタック全体とのつながり
このレコードのリンク一覧 — グループをクリックするとジャンプします。
出典
DeepSeek-R1 (RL for reasoning) ↗
レコードのレビュー時点： 2026-01-15 — 表示 調査手法.