RLHF / DPO g.rlhf
выравнивание модели с предпочтениями людей после SFT
Статья: llm.training — где этот термин работает на практике.
Весь глоссарий — термины локального инференса LLM.
g.rlhfвыравнивание модели с предпочтениями людей после SFT