Uczenie bezpośrednio na parach odpowiedź wybrana–odrzucona, bez osobnego modelu nagrody. Tańsze obliczeniowo od RL.
Training directly on chosen–rejected answer pairs, with no separate reward model. Computationally cheaper than RL.
To bezpośrednie uczenie modelu na parach odpowiedzi wybranych i odrzuconych.
This directly trains a model on pairs of preferred and rejected responses.
Masz porównania dobrych i słabszych odpowiedzi, ale osobny model oceny oraz trening z nagrodami komplikują proces.
You have comparisons of better and worse responses, but a separate evaluator and reward-based training complicate the process.
Reguła treningu zwiększa względną szansę wybranej odpowiedzi wobec odrzuconej, odnosząc zmianę do modelu referencyjnego bez osobnego uczenia nagrody.
The training rule raises the preferred response's relative likelihood, comparing changes against a reference model without training a separate reward model.
Na parach odpowiedzi klientom uczysz model wybierać jasne wyjaśnienie zamiast rozwlekłego tekstu pomijającego problem.
Using paired customer replies, you train a model to favour clear explanations over lengthy text that misses the problem.