این اسکیل چه میکند؟
fine-tune در LLM با یادگیری تقویتی TRL؛ SFT برای instruction tuning، DPO برای preference alignment، PPO/GRPO برای reward optimization و reward…
ORIGINAL DESCRIPTION
Fine-tune LLMs using reinforcement learning with TRL - SFT for instruction tuning, DPO for preference alignment, PPO/GRPO for reward optimization, and reward…
چه زمانی به کار میآید؟
در دادهٔ اصلی، کاربرد جداگانهای ثبت نشده است. توضیح بالا و صفحهٔ منبع را ببینید.
بخشی از متن اصلی با «…» قطع شده است. ادامهٔ آن حدس زده یا تکمیل نشده است.