首页/博客/学习大模型训练的 RLHF：从人类偏好到奖励模型综合学习大模型训练的 RLHF：从人类偏好到奖励模型掘金2026-11-09 08:230 次浏览在上一篇文章中，我们学习了如何用标注好的问答数据对预训练模型做监督微调，还学习了 LoRA 这种只训练一小部分参数的高效微调方式。经过 SFT，模型学会了模仿标准答案的格式和口吻，从一个只会续写文本的原文：https://juejin.cn/post/7705618278807994422我的收藏上一篇450 个不说话的 AI agent：SwarmEvolve 把进化搜索提速 5-13 倍下一篇Harness Engineering 为什么是 AI Coding 的工程底座 ❓❓❓相关文章黄仁勋发文承认婚外情：我对妻子不忠0界面新闻日本东证指数上涨2%0界面新闻韩国KOSPI指数向下触及5000点，日内跌1.2%0界面新闻日经225指数涨幅扩大，现涨2%0界面新闻财说丨连续两季亏损，江西零售第一股国光连锁靠什么撑起近400倍市盈率公司第三季度亏损1062万元。0界面新闻汽车早报｜比亚迪仰望在阿联酋发布新车鼎耀 沃尔沃辟谣气囊召回短信中铝集团与宁德时代达成战略合作；巴西成立电动汽车工作组。0界面新闻
