RLHF

技术 EN：Reinforcement Learning from Human Feedback 别名：人类反馈强化学习、基于人类反馈的强化学习发布：2026-08-13 浏览：0

摘要

RLHF 是利用人类偏好反馈训练奖励模型并用强化学习优化语言模型的对齐方法。

RLHF Reinforcement Learning from Human Feedback

概述

RLHF 先收集人类对模型输出的排序偏好，训练奖励模型，再以近端策略优化（PPO）等算法微调语言模型使其输出更符合人类价值。齐e慧享

该方法显著提升模型的有用性、真实性与安全性，是大模型对齐的核心技术。 齐e慧享

强化学习对齐偏好学习大语言模型

发现内容有误或想补充资料？贡献新词条词条编辑指南我要投稿（进入审核）