"Egy adott threadben a már elhangzott témában tud referálni és ennyi."
Nem egészen. Egy adott téma nagyon sok thread-ben előfordul. Sokszor butaság is. Bizonyos témák pedig kevés thread-ben, vagy egyáltalán nem. Ahhoz, hogy el tudja dönteni mi a preferált output, kapnia kell egy visszacsatolást.
"Egyedül a devek tudják módosítani"
Szerintem olvasd el, hogyan is néz ki a reward model a ChatGPT esetében.
[ Szerkesztve ]
Redmi Note 9 Pro