Uni-RLHF

RLHF 通过进修人类偏好，可以在难以手工设想赞美函数的复杂决策工作中进修到正确的赞美引导，得到了很高的关注，在不同情况中选择合适的人类反应典型和不同的进修方法至关重要。然而，当前钻研社区缺乏可以支持这一需求的标准化标注平台和统一基准，量化和比较 RLHF 的最新进展是有挑战性的。本文中，天津大学深度强化进修实验室的钻研团队推出了面向现实决策场景的 Uni-RLHF 平台，这是一个专为 RLHF …