Post-training (RLHF, RLVR and after)
Where a raw predictor becomes an assistant — and, lately, a reasoner.
Перед вами запись-пояснение к понятию: что этот термин означает простыми словами и какие записи он объединяет.
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.
Место в общей экосистеме
Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.
Связанные
Источники
DeepSeek-R1 (RL for reasoning) ↗
Запись актуальна на 2026-01-15 — смотреть Методология.