検証可能な報酬

RLVRとは何ですか? なぜ推論モデルが人気になった後、RLHFよりも頻繁に言及されるのでしょうか?

RLVRは通常、検証可能な報酬を伴う強化学習の略です。 その根本的な理由は、RLHFが失敗したことではなく、推論モデルの台頭により、多くの課題が人間の好みに頼るのではなく、「答えは正しい」という点数で直接評価できるようになったことです。 RLHFとの違いは何ですか? RLHFは、人間がモデルに「この...