2024年6月19日
将强化学习重新引入 RLHF
摘要： 我们很高兴在 TRL 中介绍 RLOO (REINFORCE Leave One-Out) 训练器。作为一种替代 PPO 的方法，RLOO 是一种新的在线 RLHF 训练算法，旨在使其更易于访问和实施。特别是， RLOO 需要的 GPU 内存更少，并且达到收敛所需的挂钟时间也更短。如下面的图表所示: 阅读全文
posted @ 2024-06-19 22:52 HuggingFace 阅读(207) 评论(0) 推荐(1) 编辑