使用 TRL 与 LoRA 在 Anthropic HH-RLHF 上审计偏好偏差并微调语言模型

AI 导读

In this tutorial, we design an end-to-end preference-learning workflow using the Anthropic HH-RLHF dataset and Direct Preference Optimization (DPO).

回到原文

这里保留短导读，不转载来源网站的完整正文。具体表述和后续更新请以原文为准。