RLHF
概念
学習・推論
Reinforcement learning from human feedback — the technique behind ChatGPT's manners.
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。
RLHF trains a reward model from human preference comparisons, then optimizes the language model against it. Introduced at scale by InstructGPT (2022), it is why assistants follow instructions and refuse harm — and its quirks (sycophancy, reward hacking) drive research into alternatives like constitutional AI and direct preference optimization.
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
レコードのレビュー時点： 2026-01-15 — 表示 調査手法.