Adatkészlet: Nvidia/Helpsteer2
term_id: datasetnvidiahelpsteer2
Category: basic_concepts
Definition
A Helpsteer2 egy az NVIDIA által kiadott, gondosan válogatott adatkészlet, amely nagy nyelvi modellek által generált válaszok páronkénti összehasonlításait tartalmazza. Fókuszában a többdimenziós emberi preferenciák állnak, mint például a hasznosság és a pontosság.
Summary
Kiváló minőségű, emberi preferenciákról szóló adatkészlet, amelyet kifejezetten az emberi visszajelzésen alapuló megerősítési tanulás (RLHF) során használt jutalmazási modellek betanítására terveztek.
Key Concepts
- RLHF (Emberek visszajelzésén alapuló megerősítési tanulás)
- Jutalmazási modellezés
- Emberi preferenciák
- Igazítás (Alignment)
Use Cases
- Jutalmazási modellek betanítása a nagy nyelvi modellek igazításához
- A modellek hasznosságának és biztonságának értékelése
- Alapmodellek finomhangolása preferencia-adatokkal