בפרק זה החליפו מייק ותמיר את התובנות החידודים והשאלות הפתוחות שלהם בניסיון להבין איך מתחברים עולם ה RL ועולם ה LLM (קרי RLHF). ב 2024 השתנתה הפרדיגמה - בתחילה יצירת מודל reward כדי לעשות אימון נוסף ל LLM אחרי ה pretraining שלו באמצעות PPO. ולאחר מכן הוחלף ה PPO בRLHF.
בעוד רוב מודלי ה reasoning של החברות הגדולות (chatgpt, claude, gemini) עדיין באפילה - נדבר על איך לדעתנו RLHF יכול לשמש בתהליך.
Comments (3)
More Episodes
All Episodes>>
Get this podcast on your phone, Free
Create Your Podcast In Minutes
- Full-featured podcast site
- Unlimited storage and bandwidth
- Comprehensive podcast stats
- Distribute to Apple Podcasts, Spotify, and more
- Make money with your podcast
It is Free
