Post-training (RLHF, RLVR and after)
Where a raw predictor becomes an assistant — and, lately, a reasoner.
Bir kavram açıklayıcısına bakıyorsunuz: bu terimin sade bir dilde ne anlama geldiği ve bir araya getirdiği kayıtlar.
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.
Bu, yığının geri kalanıyla nasıl bağlantılı?
Bu kaydın bağlantılarına hızlı bakış — bir gruba tıklayarak o bölüme atlayın.
Kaynaklar
DeepSeek-R1 (RL for reasoning) ↗
İncelenen kayıt tarihi: 2026-01-15 — görüntüle Metodoloji.