Tag: RLHF

All the articles with the tag "RLHF".

• 从零训练大模型（十三）：奖励模型与 Bradley-Terry 推导

  13 Jul, 2026

  奖励模型的完整推导：成对偏好数据、标量奖励头，以及 Bradley-Terry 损失——如何把“人类更喜欢哪个回答”变成一个可训练的打分器。