一、人类反馈的强化学习（RLHF）

微调的目标是通过指令，包括路径方法，进一步训练你的模型，使他们更好地理解人类的提示，并生成更像人类的回应。

RLHF：使用人类反馈微调型语言模型，使用强化学习，使用人类反馈微调LLM，从而得到一个更符合人类偏好的模型。

Reinforcement Learning（强化学习）：是一种机器学习类型，智能体在环境中采取行动，以达到最大化某种累积奖励的目标，从而学习做出与特定目标相关的决策。

智能体通过采取行动，观察环境中的变化，并根据其行动的结果接收奖励或者惩罚，不断从其经验中学习，迭代这一过程。

RLHF：获取人类反馈的信息

首先，必须决定你希望人类根据什么标准来评估LLM的生成结果

RLHF：奖励模式

奖励模型将有效地取代人类的数据标注员并自动选择在RLHF过程中自动挑选最佳的结果

RLHF：利用强化学习进行微调

优先选择一个在所关注的任务上已经做的很好的模型

首先，从提示词数据集中选择一个提示词，使用LLM进行补全，反馈至奖励模型得到一个奖励值，将这个提示词-补全对于奖励值反馈至强化学习算法，来更新LLM的权重

把微调过的模型成为人类对齐的LLM

RLHF：奖励黑客行为

代理通过选择那些使其获得最大奖励的行为来欺骗系统，即使这些行动并不符合原始的目标

KL散度是一个统计度量，用来衡量两个概率分布有多不同，可以用它来比较两个模型的生成结果，来确定RL更新模型已经偏离了多少参考。